1
雷鋒網按：本文作者王樹義，原載于微信公眾號玉樹芝蘭（nkwangshuyi），雷鋒網經授權發布。
打算繪制中文詞云圖？那你得先學會如何做中文文本分詞。跟著我們的教程，一步步用 Python 來動手實踐吧。
在此前發布的文章《從零開始教你用 Python 做詞云》一文中，我們介紹了英文文本的詞云制作方法。大家玩兒得可還高興？
文中提過，選擇英文文本作為示例，是因為處理起來最簡單。但是很快就有讀者嘗試用中文文本做詞云了。按照前文的方法，你成功了嗎？
估計是不成功的。因為這里面缺了一個重要的步驟。
觀察你的英文文本。你會發現英文單詞之間采用空格作為強制分隔符。
例如：
Yes Minister is a satirical British sitcom written by Sir Antony Jay and Jonathan Lynn that was first transmitted by BBC Television between 1980 and 1984, split over three seven-episode series.
但是，中文的文本就沒有這種空格區隔了。為了做詞云，我們首先需要知道中文文本里面都有哪些“詞”。
你可能覺得這根本不是問題——我一眼就能看出詞和詞之間的邊界！
對，你當然可以。你可以人工處理1句、100句，甚至是10000句話。但是如果給你100萬句話呢？
這就是人工處理和電腦自動化處理的最顯著區別——規模。
別那么急著放棄啊，你可以用電腦來幫忙。
你的問題應該是：如何用電腦把中文文本正確拆分為一個個的單詞呢？
這種工作，專業術語叫做分詞。
在介紹分詞工具及其安裝之前，請確認你已經閱讀過《從零開始教你用 Python 做詞云》一文，并且按照其中的步驟做了相關的準備工作，然后再繼續依照本文的介紹一步步實踐。
中文分詞的工具有很多種。有的免費，有的收費。有的在你的筆記本電腦里就能安裝使用，有的卻需要聯網做云計算。
今天給大家介紹的，是如何利用Python，在你的筆記本電腦上，免費做中文分詞。
我們采用的工具，名稱很有特點，叫做“ 結巴分詞 ”，具體鏈接如下：
https://github.com/fxsjy/jieba
為什么叫這么奇怪的名字？
讀完本文，你自己應該就能想明白了。
我們先來安裝這款分詞工具?；氐侥愕摹敖K端”或者“命令提示符”下。
進入你之前建立好的demo文件夾。
輸入以下命令：
pip install jieba
好了，現在你電腦里的Python已經知道該如何給中文分詞了。
在《從零開始教你用 Python 做詞云》一文中，我們使用了英劇”Yes, minister“的維基百科介紹文本。這次我們又從維基百科上找到了這部英劇對應的中文頁面。翻譯名稱叫做《是，大臣》。
將網頁正文拷貝下來之后，存入文本文件 yes-minister-cn.txt，并且將這個文件移動到我們的工作目錄 demo 下面。
好了，我們有了用于分析的中文文本數據了。
先別忙著編程序。正式輸入代碼之前，我們還需要做一件事情，就是下載一份中文字體文件 simsun.ttf。具體下載鏈接如下：
下載后，將這個ttf字體文件也移動到demo目錄下，跟文本文件放在一起。
在命令行下，執行：
jupyter notebook
瀏覽器會自動開啟，并且顯示如下界面。
這里還有上一次詞云制作時咱們的勞動成果。此時目錄下多了一個文本文件，是"Yes, Minister"的中文介紹信息。
打開這個文件，瀏覽一下內容。
我們確認中文文本內容已經正確存儲。
回到Jupyter筆記本的主頁面。點擊New按鈕，新建一個筆記本(Notebook)。在Notebooks里面，請選擇Python 2選項。
系統會提示我們輸入Notebook的名稱。為了和上次的英文詞云制作筆記本區別，就叫它wordcloud-cn好了。
我們在網頁里唯一的代碼文本框里，輸入以下3條語句。輸入后，按Shift+Enter鍵執行。
filename = "yes-minister-cn.txt"
with open(filename) as f:
mytext = f.read()
然后我們嘗試顯示mytext的內容。輸入以下語句之后，還是得按Shift+Enter鍵執行。
print(mytext)
顯示的結果如下圖所示。
既然中文文本內容讀取沒有問題，我們就開始分詞吧。輸入以下兩行語句：
import jieba
mytext = " ".join(jieba.cut(mytext))
系統會提示一些信息，那是結巴分詞第一次啟用的時候需要做的準備工作。忽略就可以了。
分詞的結果如何？我們來看看。輸入：
print(mytext)
你就可以看到下圖所示的分詞結果了。
單詞之間已經不再緊緊相連，而是用空格做了區隔，就如同英文單詞間的自然劃分一樣。
你是不是迫不及待要用分詞后的中文文本作詞云了？
可以，輸入以下語句：
from wordcloud import WordCloud
wordcloud = WordCloud().generate(mytext)
%pylab inlineimport matplotlib.pyplot as plt
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off"
激動地期待著中文詞云的出現？
可惜，你看到的詞云是這個樣子的。
你是不是非常憤怒，覺得這次又掉坑里了？
別著急，出現這樣的結果，并不是分詞或者詞云繪制工具有問題，更不是因為咱們的教程步驟有誤，只是因為字體缺失。詞云繪制工具wordcloud默認使用的字體是英文的，不包含中文編碼，所以才會方框一片。解決的辦法，就是把你之前下載的simsun.ttf，作為指定輸出字體。
輸入以下語句：
from wordcloud import WordCloud
wordcloud = WordCloud(font_path="simsun.ttf").generate(mytext)
%pylab inlineimport matplotlib.pyplot as plt
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
這次你看到的輸出圖形就變成了這個樣子：
這樣一來，我們就通過中文詞云的制作過程，體會到了中文分詞的必要性了。
這里給你留個思考題，對比一下此次生成的中文詞云，和上次做出的英文詞云：
這兩個詞云對應的文本都來自維基百科，描述的是同樣一部劇，它們有什么異同？從這種對比中，你可以發現維基百科中英文介紹內容之間，有哪些有趣的規律？
掌握了本方法后，你自己做出了一張什么樣的中文詞云圖？除了做詞云以外，你還知道中文分詞的哪些其他應用場景？歡迎留言，分享給大家。我們共同交流討論。
雷鋒網相關閱讀：
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
