< 制作词云 序 >—准备（QQ聊天）素材

1. 词云图

相信大家在生活中也看过下面这样的图形吧？想必对于词云图也不是很陌生吧？词云图，顾名思义，就是一些具有关键意义的词，组成一些具有代表意义的形状，并按照重要程度、出现频率等进行排列组合得到一张精炼浓缩的信息图。是不是感觉十分高大上？其实，我们自己也可以做属于我们自己的词云图。

百度搜索词云图01
百度搜索词云图02

2. 准备素材

巧妇难为无米之炊，我们需要准备一下材料去烹饪我们这道视觉盛宴：

• 主材料：文本
• 辅料：图片
• 工具：词云制作工具（WordArt 等） OR 编程语言（python 等）

3. 准备文本

这一章里面，我主要介绍的是如何把QQ聊天记录导出，并把整理成关键词，为后续可视化做准备的。

• 导出聊天记录
  首先找到qq的消息管理器（小喇叭）,然后找到你想要得到的聊天记录的那位，右键，导出消息记录就可以了。【注意】选择下拉菜单，将聊天记录导出为(* .txt)格式或者是(* .mht)格式。
  

  导出qq聊天记录.png

• 处理文本
  在得到文本素材以后，我们需要将这些文本进行分割，得到一个个词语，经过过滤得到关键词。这里，我们选用的是 jieba 结巴中文分词。
  jieba 中文分词的 Github 项目地址：https://github.com/fxsjy/jieba

  • 通过 pip 安装jieba：pip install jieba
  • 通过 jieba 处理文本：

    import jieba
import jieba.analyse
import re # 正则表达式清洗数据
# 打开并读取文档
file=open("wxb.txt",'r',encoding='UTF-8')
obj=file.read()
file.close()

    • 清洗聊天记录
      这里主要利用re 模块进行清洗，大家可以根据自己的聊天记录形式进行自定义的处理。
      re 模块介绍：http://www.runoob.com/python/python-reg-expressions.html

    import re
# 使用re.sub()函数进行清洗
# 主要清洗对象为"=="、"YYYY-MM-DD"、"HH:MM:SS"、"QQ昵称"、"[图片]"
# 下面以时间数据处理为例进行简单的演示，大家可以根据自己的需要，根据规则进行修改
t_rm1= re.sub("\d\d:\d\d:\d\d",'',obj)

    • 分词

    # 将特定的词加入词典
jieba.add_word("不安分的小王")
# 分词
word_list=jieba.cut(obj,cut_all=Flase,HMM=True)
word_split="\".join(word_list)

    word_split 便是你最终的分词结果
    • 提取关键词
      光得到分词结果我们还不能很好地展现文本内容，这一步，我们需要分词后的统计，提取关键词。为后面可视化做准备。

    # 提取关键词
rank_K=300 #提取前300的关键词
# 返回带有权重的词语的list
tags = jieba.analyse.extract_tags(wrd_split, topK=rank_K, withWeight=True, allowPOS=())
word_split="\".join(word_list)
# 如果不想带权重的话，可以设置 withWeight=False

    • 保存最终关键词和结果

    with open("keywords.txt",'w',encoding='UTF-8') as f:
         for i in range(0,rank_K):
             f.write(str(tags[i])+'\n')
    

    • 保存最终关键词和结果

      
      关键词提取结果（部分）

到此，介绍完了文本准备的相关工作。后面会继续介绍如何制作词云。