《水浒传》相信大家都不陌生吧，作为四大名著之一，读完之后无不为108个英雄的悲惨命运扼腕叹息，今天我们不讨论英雄们的悲惨命运，只对108条好汉在原著《水浒传》中出现的次数进行一个排名。
程序的思路很简单，分为以下几个步骤：
【第一步】获取108个好汉的名字【第二步】对原著《水浒传》进行分词统计【第三步】将《水浒传》中多余的词语删除后剩余108个好汉的出现次数【第四步】对108个好汉出现次数进行词云展示现在分步骤逐个击破
【第一步】提取108个好汉的名字
一个一个从网上复制粘贴？No，如果那样的话我们学习Python干什么？不如不学了。我从网上复制了一段含有108人绰号和名字的文本保存在本机，然后通过一段代码，逐个抽取出了108人的名字。代码及效果如下。
# coding:utf-8
name_lst = []
f = open('names.txt', 'r')
for item in f.readlines():
if item != "\n":
name_lst.append(item.split(' ')[-1].strip())
f.close()
f = open('name_lst.txt', 'w')
f.writelines('\n'.join(name_lst))
f.close()
我们将108人名字存储在本地name_lst.txt文件中。
【第二步】对原著《水浒传》进行分词统计操作
这一段不再赘述，上面已经讨论了很多篇幅，有疑问的童鞋请查看本人的其他博文，有不少相关讨论内容，我们直接分步骤上代码。需要提醒的是，在获取《水浒传》全文内容之后，建议在使用jieba分词前，添加上108个人的名字，以提高匹配度。之前，我做了几次实验（其中，乐和、呼延灼、李衮三个人没有匹配上）。添加自定义分词的方法是jieba.add_word(‘名字’)。
首先获得《水浒传》文件，并替换掉多余的标点符号
# 打开《水浒传》文件
#text_temp = codecs.open('水浒传.txt', 'r', encode='utf-8', errors='ignore')
text_temp = open("水浒传.txt", 'r', encoding='gbk', errors='ignore').read()
# 构造要替换的正则表达式字符
pattern= re.compile(u'\t|\n|\.|-|\”|;|\)|\(|\？|\“|。|；|，|、|\ |\ |\（|\）|\∶')
# 去除文本中无效字符
text_temp = re.sub(pattern, '', text_temp)
2.获取108人的名字，并存储在列表内
name_lst=[]
try:
with open('name_lst.txt', 'r') as f:
for line in f.readlines():
name_lst.append(line.strip())
except Exception as e:
print('Error')
3.将108个名字逐个添加到jieba自定义词中以便增加名字的匹配度
for item in name_lst:
jieba.add_word(item.strip())
4.进行分词处理，因为先前添加了人名，这时就能匹配全部任务名字
cut_text = jieba.cut(text_temp)
print(cut_text)
5.统计词数
text_dict = collections.Counter(list(cut_text))
【第三步】将《水浒传》中多余的词语删除后剩余108个好汉的出现次数
result_dict = {}
for item in text_dict.keys():
if item in name_lst:
result_dict[item] = text_dict.get(item, '没获取到数据')
最终，我们得到result_dict字典，里面只是保留了人名出现的次数。
【第四步】对108个好汉出现次数进行词云展示
path_image='timg.jpg'
font_path="SIMLI.ttf"
background_image = np.array(Image.open(path_image))
wd = WordCloud(
max_font_size = 500,
random_state=10,
font_path=font_path,
background_color="white",
mask=background_image
).generate_from_frequencies(result_dict)
wd.to_file('shuihurenwu.png')
plt.imshow(wd,interpolation="bilinear")
plt.axis("off")
plt.show()
原来宋江、李逵、武松、吴用等人出现次数比较多，怎么样，Python处理这些内容是不是很方便？
