实验预计耗时：45分钟

1. 课程背景

1.1 课程目的

本课程借助Python编程语言和常见的爬虫库采集中国日报疫情专区的最新报道，通过词云工具wordcloud将其进行可视化的展示，帮助用户理解新闻中的疫情关注热点，快速掌握最近的疫情动态信息。

完成本课程的学习后，学员可以熟悉使用request和lxml模块爬取页面的流程，了解jieba模块和wordcloud模块，结合爬虫获取到的新闻内容生成中文文本的词云图。完成本实验后，学员可以做出类似下方效果的词云图：

1.2 课前知识准备

1.相关概念

• CentOS：CentOS（Community Enterprise Operating System，中文意思是社区企业操作系统）是Linux发行版之一，它是来自于Red Hat Enterprise Linux依照开放源代码规定放出的源代码编译而成。由于出自同样的源代码，因此有些要求高度稳定性的服务器以CentOS替代商业版的Red Hat Enterprise Linux使用。两者的不同，在于CentOS完全开源。
• HTTP：HTTP协议（HyperText Transfer Protocol，超文本传输协议）是因特网上应用最为广泛的一种网络传输协议，它的成功归结于它的简单、实用。在WWW的背后有一系列的协议和标准支持它完成如此宏大的工作，这就是Web协议族，其中就包括HTTP超文本传输协议。HTTP基于TCP/IP通信协议来传递数据（HTML文件，图片文件，查询结果等）。
• Xpath：XPath即为XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。 XPath基于XML的树状结构，提供在数据结构树中找寻节点的能力。起初XPath的提出的初衷是将其作为一个通用的、介于XPointer与XSL间的语法模型。但是XPath很快的被开发者采用来当作小型查询语言。
• 中文分词：中文分词是文本挖掘的基础，是指将一个汉字序列切分成一个一个单独的词，以达到电脑自动识别语句含义的效果。与英文为代表的拉丁语系语言相比，英文以空格作为天然的分隔符，而中文由于继承自古代汉语的传统，词语之间没有分隔，且“词”和“词组”边界模糊，分词所面临的挑战更大。
• 数据可视化：数据可视化，是关于数据视觉表现形式的科学技术研究。其中，这种数据的视觉表现形式被定义为，一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量。 数据可视化是一个处于不断演变之中的概念，其边界在不断地扩大。主要指的是技术上较为高级的技术方法，而这些技术方法允许利用图形、图像处理、计算机视觉以及用户界面，通过表达、建模以及对立体、表面、属性以及动画的显示，对数据加以可视化解释。与立体建模之类的特殊技术方法相比，数据可视化所涵盖的技术方法要广泛得多。
• 词云图：词云图就是通过形成“关键词云层”或“关键词渲染”，对网络文本中出现频率较高的“关键词”的视觉上的突出。 由于词云图过滤掉大量的文本信息，使浏览网页者只要一眼扫过文本就可以领略文本的主旨。

2.相关原理

• 中文词云图生成原理

生成词云图的第一步，就是对词云图中要填入的文本进行预处理，由于wordcloud模块不能直接处理中文语料，所以此处使用jieba分词对中文文本内容进行处理，处理后的中文文本会被拆分为许多个词，在Python中生成的结果默认为列表形式。

如果希望将其导入wordcloud，需要将其转换为词与词之间用空格分开的字符串，完成了这些操作，即完成了文本预处理。

接下来只需要将处理好的字符串交给wordcloud，它会对文本内容进行词频统计，一个词出现的频率越高，便会赋予这个词越大的font_size（字号）。

最后一步会进行词云图的渲染，此时除了每个词的词频，还要记录下每个词的位置、方向和颜色信息，有了这些信息，便可以使用已有的词语进行词云图的拼接，最终将拼接好的词云以图像的形式呈现出来。

3.相关命令介绍

【Linux相关命令】

• 使用yum安装Python：

yum -y install python3

• 使用pip3安装指定Python包：

pip3 install <Python包名>

• 创建目录：mkdir <目录名>
• 跳转到指定目录：cd <目录名>
• 使用Vim编辑器创建/打开文件：vim <文件名>

【Vim相关命令】

• 进入编辑模式，在当前字符前插入光标：i
• 进入命令行模式：ESC
• 保存并退出文件（命令行模式下）：:wq