文章/答案/技术大牛

发布

社区首页 >专栏 >爬虫（104）教你词云分析拉勾网数百个职位招聘详

爬虫（104）教你词云分析拉勾网数百个职位招聘详

公众号---人生代码

发布于 2020-05-18 07:29:25

55700

代码可运行

文章被收录于专栏：人生代码人生代码

运行总次数：0

代码可运行

昨天我们分析了某 girl 的 QQ 空间，之后想想还是不过瘾啊，感觉还可以深度挖掘词云这个库，于是在网上找了一个实际例子又来波

首先需要下载拉勾网数百个职位招聘详数据，这里小编已经为大家准备好了

https://pan.baidu.com/s/1HG7rcgeLTpcemo-oT_KebA

密码 bvb8

我们需要读取这个文件

读取并打印出前面100个字符

text=''
with open('./lagou-job1000-ai-details.txt','r') as f:
    text=f.read()
    f.close()
print(text[:100])

jieba 分词

#cell-2
import jieba
words = jieba.lcut(text)
cuted=' '.join(words)
print(cuted[:100])

生成词云对象

首先，默认情况wordcloud是不支持中文显示的，所以要先添加一个中文字体文件，一般是.ttf或.otf格式，你可以从网上搜索‘字体下载’找到想要的字体。上面代码中使用的是

#cell-3
from wordcloud import WordCloud
fontpath='SourceHanSansCN-Regular.otf'

wc = WordCloud(font_path=fontpath,  # 设置字体
               background_color="white",  # 背景颜色
               max_words=1000,  # 词云显示的最大词数
               max_font_size=500,  # 字体最大值
               min_font_size=20, #字体最小值
               random_state=42, #随机数
               collocations=False, #避免重复单词
               width=1600,height=1200,margin=10, #图像宽高，字间距，需要配合下面的plt.figure(dpi=xx)放缩才有效
              )
wc.generate(cuted)

WordCloud(...)命令包含了很多参数，其中就包含了我们上面设定的字体路径font_path。注意这里width=1600,height=1200,margin=100图像宽高只是原始图像的大小，至于后面显示出来的时候可能还会被放缩。它的更多参数可以查看下面链接wordcloud官方WordCloud方法说明

显示词云图

我们用matplotlib的imshow就是image-show把图片显示出来

#cell-4
import matplotlib.pyplot as plt
plt.figure(dpi=100) #通过这里可以放大或缩小
plt.imshow(wc, interpolation='catrom',vmax=1000)
plt.axis("off") #隐藏坐标plt.show()
wc.to_file('py_book.png')

去除冗余单词

我们可以利用jieba的del_word功能去掉冗余单词。修改cell-2代码：

#cell-2
import jieba

removes =['熟悉', '技术', '职位', '相关', '工作', '开发', '使用','能力','优先','描述','任职']
for w in removes:
    jieba.del_word(w)

words = jieba.lcut(text)
cuted = ' '.join(words)
print(cuted[:100])

这里用for循环依次删除了各个冗余词，也可不用for循环，改为lcut之后对words进行处理：

words = jieba.lcut(text)
words = [w for w in words if w not in removes]

区分中英文

如果我们只关注英文技术点，比如python，tensorflow等，那就忽略中文内容。使用正则表达式来匹配提取哪些由az小写字母和AZ大写字母加上0~9数字组成的单词。修改cell-2如下：

#cell-2
import jieba
words = jieba.lcut(text)
import re
pattern = re.compile(r'^[a-zA-Z0-1]+$')
words = [w for w in words if pattern.match(w)]
cuted = ' '.join(words)
print(cuted[:100])

改变造型

我们让单词按照特定的造型来排列。首先我们需要一张造型图片，下面是一张AI文字造型图片，请把它右键另存为ai-mask.png文件。

前面在wc = WordCloud(font_path=fontpath...中有很多参数可以设置，其中就有mask遮罩参数，可以指定一张读取的图片数据，根据官方说明，这个数据应该是nd-array格式，这是一个多维数组格式(N-dimensional Array)。

我们使用PIL模块中的Image.open('...')可以读取图片，然后利用numpy来转换为nd-arry格式。修改cell-3,读取图片并增加mask参数：

#cell-3
from wordcloud import WordCloud
fontpath='SourceHanSansCN-Regular.otf'

import numpy as np
from PIL import Image
aimask=np.array(Image.open("ai-mask.png"))

wc = WordCloud(font_path=fontpath,  # 设置字体
               background_color="white",  # 背景颜色
               max_words=1000,  # 词云显示的最大词数
               max_font_size=100,  # 字体最大值
               min_font_size=5, #字体最小值
               random_state=42, #随机数
               collocations=False, #避免重复单词
               mask=aimask, #造型遮盖
               width=1600,height=1200,margin=2, #图像宽高，字间距，需要配合下面的plt.figure(dpi=xx)放缩才有效
              )
wc.generate(cuted)

改进颜色

默认情况图片上文字的颜色都是随机的，我们可以使用图片来控制文字的颜色。

WordCloud方法提供了一个color_func颜色函数的参数，用一个函数来改变每个词的颜色，在这里我们直接使用上面深色的AI图片颜色来控制。

from wordcloud import WordCloud
from wordcloud import ImageColorGenerator
fontpath='SourceHanSansCN-Regular.otf'

import numpy as np
from PIL import Image
aimask=np.array(Image.open("ai-mask.png"))

genclr=ImageColorGenerator(aimask)

wc = WordCloud(font_path=fontpath,  # 设置字体
               background_color="white",  # 背景颜色
               max_words=1000,  # 词云显示的最大词数
               max_font_size=100,  # 字体最大值
               min_font_size=5, #字体最小值
               random_state=42, #随机数
               collocations=False, #避免重复单词
               mask=aimask, #造型遮盖
               color_func=genclr,
               width=1600,height=1200,margin=2, #图像宽高，字间距，需要配合下面的plt.figure(dpi=xx)放缩才有效
              )
wc.generate(cuted)

在上面，我们引入了from wordcloud import ImageColorGenerator方法，它是直接用来生成一个color_func颜色函数的，它括号里需要一个nd-array多维数组的图像，恰好我们上面的aimask就是这个格式，直接用就可以。

重新运行得到最开始看到的图，和原图对比，就能看到文字颜色的规律了：

汇总

读取文件

jieba分词

利用re正则表达式选出英文单词

生成词云对象，利用图片遮罩形状和改变颜色

使用Matplotlib来显示图片

完整代码如下：

#cell-1
text=''
with open('./lagou-job1000-ai-details.txt','r') as f:
    text=f.read()
    f.close()
print(text[:100])

#cell-2
import jieba
words = jieba.lcut(text)
import re
pattern = re.compile(r'^[a-zA-Z0-1]+$')
words = [w for w in words if pattern.match(w)]
cuted = ' '.join(words)
print(cuted[:500])

#cell-3
from wordcloud import WordCloud
from wordcloud import ImageColorGenerator
fontpath='SourceHanSansCN-Regular.otf'

import numpy as np
from PIL import Image
aimask=np.array(Image.open("ai-mask.png"))

genclr=ImageColorGenerator(aimask)

wc = WordCloud(font_path=fontpath,  # 设置字体
               background_color="white",  # 背景颜色
               max_words=1000,  # 词云显示的最大词数
               max_font_size=100,  # 字体最大值
               min_font_size=5, #字体最小值
               random_state=42, #随机数
               collocations=False, #避免重复单词
               mask=aimask, #造型遮盖
               color_func=genclr,
               width=1600,height=1200,margin=2, #图像宽高，字间距，需要配合下面的plt.figure(dpi=xx)放缩才有效
              )
wc.generate(cuted)

#cell-4
import matplotlib.pyplot as plt
plt.figure(dpi=150) #通过这里可以放大或缩小
plt.imshow(wc, interpolation='catrom',vmax=1000)
plt.axis("off") #隐藏坐标