Python可视化单词统计词频统计中文分词的实现步骤

时间:2022-11-30 coffee_mao 人气:0

可视化单词统计词频统计中文分词

项目架构

新建一个文件，输入文件的内容，查询此文件中关键字的出现的次数，关键字出现的位置，将所有的文本按照中文分词的词库进行切割划分，返回JSON字符串，返回中文切分的单词和出现的频次，最后关闭程序

新建文件

新建指定文本文件，输入一个文件名，以及里面的文件内容建立一个文本文件。通过GUI的Entry控件实现一个文本框text1，作用是用来接收用户输入的文件名。

content1用来存储文件名，如果输入的文件名为空就弹出窗体显示“文件名不为空！”的提示，content2用来存储文件内容文件名有效则通过open()函数以读文件的方式打开文件。

然后使用write()将输入的文件内容写入新建好的文件中，点击新建文件按钮，弹出提示框“文件建立成功”，完成后close关闭文件。

输入文件名，输入一段内容，点击新建文件，成功建立文件

单词计数

给定单词计数，输入一个不含空格的单词，统计输出该单词在文本中的出现次数。通过GUI的Entry控件实现一个文本框text1，作用是用来接收用户输入的文件名。content1用来存储文件名，如果输入的文件名为空就弹出窗体显示“文件名不为空！”的提示。

文件名有效则通过open()函数以读文件的方式打开文件。Entry控件实现一个文本框text3，作用是用来接收用户输入要查询的目标单词，count = 0 将计数器初始化为0。

利用了模式匹配算法:循环读入文件，每次读入一行，逐行扫描文本文件，利用strip()去掉每行头尾空白字符，一行调用count(keyword)函数匹配到目标单词返回目标单词出现的次数count函数封装了字符串匹配，目标串P的长度为m,主串T的长度是n,枚举主串T中每一个位置i，然后检查T[i,i+m-1]是否与目标串P完全相同，相同的就将count加一，i加一，继续往后匹配子串。

如果不同，就只将i加一，继续往后匹配子串。直到整行结束。存储下当前行目标单词出现的次数，再遍历下一行。直到整个文件扫描结束；然后输出文件中单词出现的总次数。并且关闭文件。

全文单词索引

查找给定单词在文件中的位置。定义content1接收text1的值，content3接收text3的值，content1用来接收用户输入的文件名，如果输入文件名为空就弹出窗体显示“文件名不能为空！”的提示。

文件名有效则通过open()函数以读文件的方式打开文件，content3用来接收用户所输入需查询的单词；使用for循环逐行进行检索，先判断输入文件名是否为空，为空则弹出错误对话框，并提示“文件名不能为空！”。

不为空则使用open()打开文件，row初始化为1，再判断文件内容是否为空，为空则row+1且跳出此层循环，不为空则使用for循环检索出用户指定单词的位置与出现次数并输出第x行n次。

中文分词统计词频

导入jieba第三方中文分词函数库，lcut(text)，精确模式，返回text分词后的列表变量使用函数lcut()进行文本处理时，英文文本的分词只需要通过空格就可以分割。而中文的文本是需要一个“词典”来实现分词jieba第三方库实现了“词典” 采取了精确模式，试图将句子最精确地切开。

words = jieba.lcut(text)将文本的分词实现切分后，返回一个分词的列表words定义counts 的空字典循环遍历分词列表，分词的长度为1 就继续遍历，否则就进行统计分词出现的次数。每一个分词作为字典中的键，出现的次数作为字典中的值counts[word] = counts.get(word, 0) + 1键值的添加，获得文件中相同字符出现的次数有word这个分词时，时返回其值，默认是0，+1能够累计次数；没有word时则返回0。

counts.items()字典键值对，list()转化为列表赋值给items，列表items进行按照键从小到大的顺序进行排序，在dict转化为字典输出，输出后关闭文件。

最后将查询的所有结果都追加到输出文件中

源代码

import tkinter as tk
from tkinter import messagebox, END, RIDGE
import jieba

root = tk.Tk()
root.title("单词检索统计系统")
root.resizable(False, False)
root.geometry('450x400')
root.configure(bg='white')


# 新建文件
def fun1():
    content1 = text1.get()
    content2 = text2.get('1.0', END)
    if content1 == '':
        messagebox.showerror(title='Error', message='文件名不为空!')
    else:
        file = open(r'D:\图库\183\pythonProject\com\mao\\' + content1 + '.txt', 'w', encoding='GBK')
        file.writelines(content2)
        file.write('\n')
        messagebox.showinfo(title='Success', message='新建成功!')
        file.close()


# 单词的统计
def fun2():
    content1 = text1.get()
    content3 = text3.get()
    if content1 == '':
        messagebox.showerror(title='Error', message='文件名不为空!')
    else:
        try:
            file = open(r'D:\图库\183\pythonProject\com\mao\\' + content1 + '.txt', 'r')
            if content3 != '':
                count = 0
                # 计数器初始化为0
                for line in file.readlines():
                    line = line.strip()
                    # 依次读取每行,  去掉每行头尾空白
                    count += line.count(content3)
                    # 逐行累加计数
                if count == 0:
                    messagebox.showerror(title='Error', message='没有此单词!')
                else:
                    text4.insert(tk.END, '共有 ' + str(count) + ' 个 ' + content3 + '\n')
                    with open(r"D:\图库\183\pythonProject\com\mao\text.txt", "a") as output:
                        output.write('共有 ' + str(count) + ' 个 ' + content3 + '\n')
                file.close()
            else:
                messagebox.showerror(title='Error', message='查询目标单词不为空!')
        except Exception as e:
            messagebox.showerror(title='Error', message=e)


# 单词的定位
def fun3():
    content1 = text1.get()
    content3 = text3.get()
    if content1 == '':
        messagebox.showerror(title='Error', message='文件名不为空!')
    else:
        try:
            file = open(r'D:\图库\183\pythonProject\com\mao\\' + content1 + '.txt', 'r')
            row = 1
            # 行初始化为1
            for line in file.readlines():
                # 检索每一行
                if content3 == '':
                    messagebox.showerror(title='Error', message='查询目标单词不为空!')
                    break
                else:
                    if line.count(content3):
                        # 每一行目标单词出现的次数
                        text4.insert(tk.END, '\n第' + str(row) + '行，' + str(line.count(content3)) + '次')
                        with open(r"D:\图库\183\pythonProject\com\mao\text.txt", "a") as output:
                            output.write('\n第' + str(row) + '行，' + str(line.count(content3)) + '次')
                        index_list = []
                        # 建立索引列表
                        index = line.find(content3)
                        # 找到单词所在的位置：索引号
                        while index != -1:
                            # 判断索引是否结束，并将查找到的索引号添加到索引列表中
                            index_list.append(index)
                            index = line.find(content3, index + 1)
                            # 下标下一位开始，找到word之后添加到列表中
                        text4.insert(tk.END, '\n相应位置在：')
                        for index in index_list:
                            # 遍历索引列表并输出
                            text4.insert(tk.END, str(index + 1) + ' ')
                        text4.insert(tk.END, '\n')
                        row += 1
                    else:
                        # 无法查询到单词,没有目标单词的行输出此行没有找到，进入下一行继续查找
                        row += 1
                        continue
                fun2()
        except Exception as e:
            messagebox.showerror(title='Error', message=e)


# 分词统计
def sign4():
    content1 = text1.get()

    def read(path):
        if path == '':
            messagebox.showerror(title='Error', message='文件名不为空!')
        else:
            try:
                text = open(r'D:\图库\183\pythonProject\com\mao\\' + path + '.txt', 'r')
                content = text.read()
                words = jieba.lcut(content)
                counts = {}
                for word in words:
                    if len(word) == 1:
                        continue
                    else:
                        counts[word] = counts.get(word, 0) + 1
                items = list(counts.items())
                items.sort(key=lambda x: x[1], reverse=True)
                counts = dict(items)
                text4.insert(tk.END, counts)
                with open(r"D:\图库\183\pythonProject\com\mao\text.txt", "a") as output:
                    output.write(str(counts))
                text.close()
            except Exception as e:
                messagebox.showerror(title='Error', message=e)

    read(content1)


# 页面布局
button1 = tk.Button(root, text='新建文件', bg='pink', font=('微软雅黑', 15), relief=RIDGE, command=fun1)
button1.place(x=0, y=0, width=100, height=80)
label1 = tk.Label(root, text='文件名:', font=('微软雅黑', 15), )
label1.grid(padx=100)
text1 = tk.Entry(root, font=('MingLiU', 13))
text1.place(x=200, width=200, height=40)

label2 = tk.Label(root, text='文件内容:', font=('微软雅黑', 15))
label2.grid(pady=25)
text2 = tk.Text(root)
text2.place(x=200, y=45, width=200, height=40)

button2 = tk.Button(root, text='单词计数', bg='pink', font=('微软雅黑', 15), relief=RIDGE, command=fun2)
button2.place(x=0, y=80, width=100, height=80)

button3 = tk.Button(root, text='单词定位', bg='pink', font=('微软雅黑', 15), relief=RIDGE, command=fun3)
button3.place(x=0, y=160, width=100, height=80)

button4 = tk.Button(root, text='分词统计', bg='pink', font=('微软雅黑', 15), relief=RIDGE, command=sign4)
button4.place(x=0, y=240, width=100, height=80)

label3 = tk.Label(root, text='查询目标:', font=('微软雅黑', 15))
label3.grid(padx=100)
text3 = tk.Entry(root, font=('MingLiU', 13))
text3.place(x=200, y=90, width=200, height=58)

label4 = tk.Label(root, text='查询结果:', font=('微软雅黑', 15))
label4.grid(pady=75)
text4 = tk.Text(root, font=('楷体', 13))
text4.place(x=200, y=160, width=200, height=200)

button5 = tk.Button(root, text='退出程序', bg='pink', font=('微软雅黑', 15), relief=RIDGE, command=root.destroy)
button5.place(x=0, y=320, width=100, height=80)
root.mainloop()

加载全部内容