近日研究爬虫，于是闲着无聊爬了一下古诗文网，有了数据索性再来分析一波。目标选定了曾国藩家书
首先使用jieba分词对其进行分词，分词后使用wordcloud生出词云，看一下那些词使用的最多
wordcloud.png
拥有哪些信息呢？
- 作为家书了，提到最多的当然是家人啦： 叔父、祖父母、弟兄，由于关心家里情况
家中这个词的出现频率也很高 - 时间： 四月、八月、九月、正月等，家书中落款需要写时间，所以出现月份的频率较高，但是同样是月份有的月份出现的频率高，有的出现的频率低，那说明啥呢， 说明出现频率高的月份写的信就多啦，那也可以思考一下，曾国藩没有写信的那段时间是在干嘛，也许比较忙，也许回家了，总之曾国藩的信没有像新闻联播那么准时。
- 尽显老大哥的风范：作为家长长子，写的信满满的都是
不可，不知，不能，不必，哎呀简直是这也不可以那也不可以啊 - 劝学： 大大的
读书两个字，放佛在告诉我们，学霸的弟弟不想当学霸都难啊。
好了再看一下曾国藩提及最多的是谁？
这里专对书中出现的人名进行统计。
name第一版没有加载自定义词典.png
果然兄弟情深，国藩 和 诸弟出现的是最多的，在加上各种各样的其他弟弟更加不得了了，不过这里也出现了一些问题： 比如 万福金安 显然是个问候语， 金陵应该是个地名， 高丽参 是一种人参之类的药物，显然分词不够准确， 于是改进一下。
name.png
这些好多了，比之前的更加合理。这里冯树堂出现的频率居然如此之高，害得我赶紧查一下到底是何许人也，居然在曾国藩的心中占有如此重要的位置，
待解决的问题
对于人名的解析不够准确，主要是信中会出现代词之类，比如: 余,汝 等，只是简单的对名字进行解析无法真实反应其出现的频率，需要进一步的解决这个问题
网友评论