ieba（结巴）是一个强大的分词库，完美支持中文分词
一、
结巴分词分为三种模式：精确模式（默认）、全模式和搜索引擎模式
精确模式：试图将句子最精确地切开，适合文本分析；
全模式：把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
首先尝试一下精确模式
接下来试试全模式
然后是搜索引擎模式
def get_text():
txt = open("English.txt", "r", encoding='UTF-8').read()
txt = txt.lower()
for ch in '!"#$%&()*+,-./:;<=>?@[\]^_‘{|}~':
txt = txt.replace(ch, " ") # 将文本中特殊字符替换为空格
return txt
file_txt = get_text()
words = file_txt.split() # 对字符串进行分割，获得单词列表
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)
for i in range(5):
word, count = items[i]
print("{0:<5}->{1:>5}".format(word, count))
选择了一篇英语六级考试的阅读理解，然后用着代码去计算里面一些长度的词的个数
结果如下：
二、
词云的制作
完成安装jieba ， wordcloud ，matplotlib
（1）打开taglue官网，点击import words，把运行的结果copy过来。
（2）选择形状，在这里是网上下载的图片进行的导入。
（3）选择字体。
（4）点击Visualize生成图片。
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import jieba
def create_word_cloud(filename):
text = open("哈姆雷特.txt".format(filename)).read()
wordlist = jieba.cut(text, cut_all=True)
wl = " ".join(wordlist)
wc = WordCloud(
background_color="black",
max_words=2000,
font_path='simsun.ttf',
height=1200,
width=1600,
max_font_size=100,
random_state=100,
)
myword = wc.generate(wl)
plt.imshow(myword)
plt.axis("off")
plt.show()
wc.to_file('img_book.png')
if __name__ == '__main__':
create_word_cloud('mytext')
这里选择了一篇哈姆雷特
运行后
