統(tǒng)計十篇新聞TF-IDF
統(tǒng)計TF-IDF詞頻，每篇文章的 top10 的高頻詞存儲為 json 文件
TF-IDF
TF-IDF（term frequency–inverse document frequency）是一種用于資訊檢索與文本挖掘的常用加權(quán)技術(shù)。TF-IDF是一種統(tǒng)計方法，用以評估一字詞對于一個文件集或一個語料庫中的其中一份文件的重要程度。字詞的重要性隨著它在文件中出現(xiàn)的次數(shù)成正比增加，但同時會隨著它在語料庫中出現(xiàn)的頻率成反比下降。TF-IDF加權(quán)的各種形式常被搜索引擎應用，作為文件與用戶查詢之間相關(guān)程度的度量或評級。除了TF-IDF以外，互聯(lián)網(wǎng)上的搜索引擎還會使用基于連結(jié)分析的評級方法，以確定文件在搜尋結(jié)果中出現(xiàn)的順序。
假如一篇文件的總詞語數(shù)是100個，而詞語“母?！背霈F(xiàn)了3次，那么“母?！币辉~在該文件中的詞頻就是3/100=0.03。一個計算文件頻率（DF）的方法是測定有多少份文件出現(xiàn)過“母?！币辉~，然后除以文件集里包含的文件總數(shù)。所以，如果“母?！币辉~在1,000份文件出現(xiàn)過，而文件總數(shù)是10,000,000份的話，其逆向文件頻率就是log（10,000,000 / 1,000）=4。最后的TF-IDF的分數(shù)為0.03 * 4=0.12。 —— [ 維基百科 ]
博主選擇的是chinadaily的十篇新聞.
1.使用http request請求
2.使用Beautiful Soup來抓取文章標題和內(nèi)容
3.統(tǒng)計TF-IDF
4.保存到json文件中
代碼塊
重慶分公司
重慶分公司
@requires_authorization
#coding=utf-8
import requests
import bs4
import sys
import math
import json
reload(sys)
sys.setdefaultencoding('utf-8')
url_list = ['http://www.chinadaily.com.cn/china/2016-04/20/content_24701635.htm',
'http://www.chinadaily.com.cn/china/2016-04/20/content_24700746.htm',
'http://www.chinadaily.com.cn/china/2016-04/20/content_24681482.htm',
'http://www.chinadaily.com.cn/china/2016-04/19/content_24675530.htm',
'http://www.chinadaily.com.cn/china/2016-04/19/content_24675455.htm',
'http://www.chinadaily.com.cn/china/2016-04/19/content_24674074.htm',
'http://www.chinadaily.com.cn/china/2016-04/19/content_24655536.htm',
'http://www.chinadaily.com.cn/china/2016-04/18/content_24643685.htm',
'http://www.chinadaily.com.cn/china/2016-04/18/content_24636917.htm',
'http://www.chinadaily.com.cn/china/2016-04/15/content_24562198.htm'
]
articles_title = []
articles_content = []
for pos,url in enumerate(url_list):
r = requests.get(url)
soup1 = bs4.BeautifulSoup(r.text)
soup2 = bs4.BeautifulSoup(str(soup1.find_all(id="Title_e")))
articles_title.append(soup2.h2.string)
mystr = ""
soup3 = bs4.BeautifulSoup(str(soup1.find_all(id="Content")))
for x in soup3.find_all("p"):
mystr = mystr + x.string
str_p = ""
contents = []
for pos,x in enumerate(mystr):
if x == '.' or x == ',':
if pos < (len(mystr) - 1) and mystr[pos+1] >= '0' and mystr[pos+1] <= '9':
str_p = str_p + x
elif str_p == "":
continue
else:
contents.append(str_p)
str_p = ""
elif x == '(' or x == ')' or x == ' ' or x == '"' or x == '[' or x == ']' or x == '-':
if str_p == "":
continue
else:
contents.append(str_p)
str_p = ""
else:
str_p = str_p + x
articles_content.append(contents)
Dict_idf = {}
DictList = []
for content in articles_content:
Dict_tf = {}
for x in content:
if not Dict_tf.has_key(x):
Dict_tf[x] = 1.0
if not Dict_idf.has_key(x):
Dict_idf[x] = 1.0
else:
Dict_idf[x] += 1.0
else:
Dict_tf[x] += 1.0
for k, v in Dict_tf.items():
Dict_tf[k] = v / len(content)
DictList.append(Dict_tf)
for k, v in Dict_idf.items():
Dict_idf[k] = math.log(float(len(url_list)) / v)
for pos,x in enumerate(DictList):
for k,v in x.items():
DictList[pos][k] = v*Dict_idf[k]
DictList[pos] = sorted(x.iteritems(), key=lambda d: d[1], reverse=True)
"""
[
[
article_titile:"XXXX"
[
{
word:"hello"
value:3.5
}
{
word:"hello"
value:3.5
}
{
word:"hello"
value:3.5
}
...
]
]
]
"""
data = []
for pos in range(10):
data2=[]
data2.append("article_titile:")
data2.append(articles_title[pos])
data2.append([{"word": k,"value":round(v,4)} for k,v in DictList[pos][:10]])
data.append(data2)
# Writing JSON data
with open('data.json', 'w') as f:
json.dump(data, f)
另外有需要云服務器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。
