热词统计

 

 

知网的数据，可以看到，只需要在左侧选择相关专业或者学科，右面就会对应查询出热门主题排行，这里获取整个表格的前一百行，需要的是除索引外前两列数据。主要是对第一列的数据进行相似度分析以及词频统计。获取到html数据后，使用beautifulsoup进行数据的提取，可以看到主题中是用分号进行短语分割的，首先会对这些使用split进行拆分后存到列表里，然后使用Counter统计词频，

from bs4 import BeautifulSoup

from collections import Counter

import jieba

import numpy as np

from operator import itemgetter

 

# 余弦相似度检验文本匹配情况

def cos_sim(str1, str2):

    co_str1 = (Counter(str1))

    co_str2 = (Counter(str2))

    p_str1 = []

    p_str2 = []

    for temp in set(str1 + str2):

        p_str1.append(co_str1[temp])

        p_str2.append(co_str2[temp])

    p_str1 = np.array(p_str1)

    p_str2 = np.array(p_str2)

    return p_str1.dot(p_str2) / (np.sqrt(p_str1.dot(p_str1)) * np.sqrt(p_str2.dot(p_str2)))

 

# 从本地提供的一个html中获取信息

path = 'soft.html'

htmlfile = open(path,'r',encoding='utf-8')

htmlhandle = htmlfile.read()

 

# 使用bs提取html中需要的数据

soup = BeautifulSoup(htmlhandle,'lxml')

list = soup.find_all('tr')

theme_list = []

knowledge_list = []

 

# 分离热点词汇和相关知识点词汇

for i in list:

    tds = i.find_all('td')

    for j in range(len(tds)):

        if j==1:

            for k in tds[j].text.split(";"):

                if k.strip()!='':

                    theme_list.append(k.strip())

        elif j==2:

            knowledge_list.append(tds[j].text.strip())

 

# 词频统计

counter = Counter(theme_list)

dictionary = dict(counter)

fenci_list = []

print(dictionary)

# print(counter.most_common(10))

# 对每一个热点词汇进行jieba分词，用于后面检验文本相似度

for i in dictionary:

    fenci_list.append(jieba.lcut(i))

 

# 操作分词列表，匹配文本相似度，并将相似度大于0.49的热词从字典中进行合并，同时移除后出现的热点词

for i in range(len(fenci_list)):

    for j in range((i+1),len(fenci_list)):

        result = cos_sim(fenci_list[i],fenci_list[j])

        if result!=0.0:

            # print(''.join(fenci_list[i])+" 和 "+''.join(fenci_list[j])+" 相似度为：",result)

            pass

        if result>0.49:

            try:

                value = dictionary.pop(''.join(fenci_list[j]))

                # print(value)

                dictionary[''.join(fenci_list[i])]+=value

            except Exception as e:

                # print(e)

                pass

print(dictionary)

# 将相似文本合并后的结果倒序打印

final_result = sorted(dictionary.items(),key=itemgetter(1),reverse=True)

for i in range(len(final_result)):

    print(final_result[i])