點贊、關注再看，養成良好習慣
Python入門系列視頻課程詳見超星學習通：https://me.chaoxing.com（點擊方可鏈接）
歡迎博友們親臨指導
1. 前言
最近超星學習通課程需要幾個封面圖片（模板圖片不滿意，無法和課程匹配），於是想着自己做幾個詞雲圖，然而本人自然語言處理知識接觸不多（雖然也很感興趣），於是靜靜坐下來花了半天稍微系統地學習了一下如何製作詞雲圖（從讀取本地TXT文檔到本地讀取PDF文檔，以及在線讀取PDF文檔，這裏的PDF文檔主要是爲了想讀取某本點子書），結果有點上癮了：媳婦做好飯喊話半天都沒從電腦面前移步餐桌（最後不得不錯過熱騰騰的大米飯）。好了，下面言歸正傳開始今天的博文正文！
2. 讀取PDF文檔
博文本節主要介紹 Python3.X 版本（2020年開始 Python2.X 版本不再維護，因此建議初學者直接一步到位學習 Python3.X 版本）解析並讀取PDF文件內容，這裏需要用到第三方庫 — pdfminer 庫（與Python2版本不同，Python3版本需要安裝pdfminer3k 庫）。其中代碼部分也參考了一些已經發布的博客內容，不過博主還是詳細拆解了其他博文的代碼，以一種通俗易懂的方式展示給Python初學者，免得初學者直接把別人的代碼複製過來（那些代碼大多封裝起來了，寫得過於專業，不太適合初學者）在自己電腦跑了一下，也許發現很多 bug，而不知道如何去 debug，或者不知從那做起。博主希望通過這次所謂詳細的講解能讓初學者真正明白（如果還是不清楚請博文留言，博主會第一時間爲博友解讀）。好了，不囉嗦了，言歸正傳開始本節正文!
下面以具體案例爲主，詳細分解如何利用Python語言實現讀取PDF文檔（博友可以任意選一本電子書）：
（1）準備工作
- 事先安裝好Python集成開發環境（IDE）
- 事先安裝好第三方庫 pdfminer3k
- 貌似直接 pip install pdfminer3k 失敗了（博友可以試一下），轉本地安裝即可（下載 pdfminer3k 到本地，提取碼：j4en）；
- 以 Anaconda3 安裝Python IDE 爲例，開始菜單找到 Anaconda3 文件夾下面的 Anaconda Prompt，點擊打開後在命令提示符 > 後面輸入：pip install D:\zgq\pdfminer3k-master.zip （後面是pdfminer3k本地電腦存儲位置），等待完成安裝即可。
（2）實現源代碼（本地PDF）
- 導入模塊（有關 pdfminer3k 的教程會抽時間博文介紹）
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
- 設置讀取、輸出文件路徑
pdf_file = 'Python.pdf' （默認工作路徑）
txt_file = 'Python.txt' （默認工作路徑）
#pdf_file = 'C:\Users\Administrator\Desktop\'Python.pdf' （電腦桌面）
#txt_file = 'C:\Users\Administrator\Desktop\Python.txt' （電腦桌面）
- 生成對象並讀取文件（建議先找一個頁碼少的PDF跑一下）
device = PDFPageAggregator(PDFResourceManager(), laparams=LAParams())
interpreter = PDFPageInterpreter(PDFResourceManager(), device)
document = PDFDocument()
parser = PDFParser(open(pdf_file, 'rb'))
parser.set_document(document)
document.set_parser(parser)
document.initialize()
- 打開TXT文檔寫入內容
with open(txt_file, 'w', encoding='utf-8') as f:
page_list = list(document.get_pages())
page_list_length = len(page_list)
print('The number of PDF is: ', page_list_length)
for page in document.get_pages():
# 接受LTPage對象
interpreter.process_page(page)
# 獲取LTPage對象的text文本屬性
layout = device.get_result()
for x in layout:
if isinstance(x, LTTextBoxHorizontal):
results = x.get_text()
f.write(results)
- 檢驗是否轉換成TXT文檔（用於下一步的作詞雲圖）
with open('Python.txt',encoding='utf-8') as f:
txt_text = f.readlines()
txt_text[:10]
3. 生成詞雲圖
突然覺得肚子有點餓了，本想加一下餐，但是爲了儘快完成博文還是堅持一下吧！不再囉嗦了，直接進入正文。
（1）準備工作
- 事先安裝好第三方庫 wordcloud
- 直接在 Anaconda Prompt 命令行窗口輸入：pip install wordcloud，等待完成安裝即可（得有網絡啊）
- 當然也可以下載本地安裝 wordcloud（提取密碼：9ld7；記着選取對應32位還是64位啊：得看你電腦操作系統了）
（2）實現源代碼（製作詞雲圖）
- 導入模塊
import matplotlib.pyplot as plt
from wordcloud import WordCloud
- 讀取生成的TXT文檔
with open('Python.txt',encoding='utf-8') as f:
mytext = f.readlines()
- 生成我的詞雲對象
mycloud = WordCloud().generate(str(mytext))
- 奇蹟出現（展示詞雲圖）
plt.imshow(mycloud)
plt.axis('off') # 關閉詞雲圖座標顯示
plt.savefig('out.jpg',dpi=1000,edgecolor='blue', bbox_inches='tight', quality=95) # 保存詞雲圖（到工作路徑下）
plt.show()
- 中文顯示問題：發現中文無法顯示（一些小方塊）
- 添加參數：font_path = ‘simsun.ttc’ （可以到 C:\Windows\Fonts 選擇其他字體）
- 結果小方塊消失了（因選擇PDF文檔關係，圖片不太明顯）
mycloud = WordCloud(font_path = 'simsun.ttc').generate(str(mytext))
- 思考題：是否發現如上出現 ‘n’ 最大？想一想爲啥？相信您會處理掉的，再次不再囉嗦了！
- 美化詞雲圖：自己去發現一些參數吧：比如，背景顏色等！
- 能否生成其他圖形的詞雲圖（矩形詞語圖很反感）？當然沒問題了，看代碼吧（不再解析，直接封裝代碼了）！
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import imageio
filename = "Python.txt"
mytext = open(filename).read()
picture = imageio.imread('people.jpg')
mycloud = WordCloud(
background_color = 'white', # 背景顏色
max_words = 20000, # 最大詞數
mask = picture, # 以該參數值作圖繪製詞雲，width和height會被忽略
max_font_size = 30, # 顯示字體的最大值
font_path = 'simsun.ttc', # 解決顯示口字型亂碼問題
collocations=False, # 避免詞重複
).generate(mytext)
plt.imshow(mycloud)
plt.axis('off')
plt.savefig('new.jpg',dpi=1000,edgecolor='blue',transparent=True, bbox_inches='tight', quality=95)
plt.show()
- 溫馨提示：代碼中的圖例（people.jpg）記得存在工作路徑下。
- 寫作不易，切勿白剽
- 博友們的點贊和關注就是對博主堅持寫作的最大鼓勵
- 持續更新，未完待續…
- 讓我們一起期待吧…
- Life is short, U need Python!
下一篇：自然語言處理（二）之 pdfminer3k庫 教程講解