用Python爬虫+数据分析,量化一篇课文的情感变迁:《土地的讯息》文本挖掘实战

news2026/4/30 4:48:55
用Python量化《土地的讯息》情感变迁从文本爬取到情感可视化的完整实战清晨的阳光透过窗帘缝隙洒在书桌上摊开的《土地的讯息》课文泛着微黄的光泽。这篇讲述泰国农民生活变迁的经典文本不仅是语言学习的素材更是一个绝佳的小型语料库——它包含了两位叙述者农夫与农妇交替的独白情感层次丰富时间跨度明显。作为技术实践者我们完全可以用Python将它转化为一个生动的数据分析项目爬取原文与译文分析词汇差异追踪情感曲线最终用动态图表揭示文字背后的情感脉络。1. 环境准备与数据获取在开始情感量化之旅前我们需要搭建一个高效的Python工作环境。推荐使用Anaconda创建独立环境避免包冲突conda create -n text_analysis python3.8 conda activate text_analysis pip install requests pandas jieba snowNLP matplotlib wordcloud plotly假设课文文本存储在可可英语等学习平台我们可以用Requests模拟浏览器获取内容。这里需要特别注意反爬策略——教育类网站通常对爬虫较为宽容但仍需遵守robots.txt规则并设置合理请求间隔import requests from bs4 import BeautifulSoup def fetch_text(url): headers {User-Agent: Mozilla/5.0} response requests.get(url, headersheaders) soup BeautifulSoup(response.text, html.parser) # 根据实际网页结构调整选择器 content soup.select(.article-content)[0].get_text() return content.strip() en_url http://www.kekenet.com/read/201609/463321.shtml zh_url http://www.kekenet.com/read/201609/463322.shtml english_text fetch_text(en_url) chinese_text fetch_text(zh_url)提示实际项目中建议添加异常处理和缓存机制避免频繁请求。可将获取的文本保存为本地JSON文件便于后续分析。获取原始文本后需要按叙述者角色进行分段。观察课文结构可以发现农妇和农夫的叙述交替出现且各有语言特征def split_by_narrator(text): segments [] current_speaker None for paragraph in text.split(\n): if 农妇 in paragraph: current_speaker wife paragraph paragraph.replace(农妇, ) elif 农夫 in paragraph: current_speaker husband paragraph paragraph.replace(农夫, ) if current_speaker and paragraph.strip(): segments.append({speaker: current_speaker, text: paragraph}) return segments zh_segments split_by_narrator(chinese_text) en_segments split_by_narrator(english_text)2. 文本预处理与特征提取原始文本包含大量需要清洗的噪声——标点符号、停用词、数字等都会影响分析质量。针对中英文的不同特性我们需要设计差异化的预处理流程。中文分词采用jieba库需加载自定义词典提升农业领域术语的切分准确率import jieba import re # 添加农业专有名词到分词词典 agriculture_terms [稻田, 水牛, 稻子, 泥螃蟹] for term in agriculture_terms: jieba.add_word(term) def clean_chinese_text(text): # 移除特殊字符和标点 text re.sub(r[^\w\s], , text) # 精确模式分词 words jieba.lcut(text) # 加载中文停用词表 with open(chinese_stopwords.txt) as f: stopwords set(f.read().splitlines()) return [w for w in words if w not in stopwords and len(w) 1] # 示例应用 sample_zh zh_segments[0][text] processed clean_chinese_text(sample_zh) print(processed[:10]) # 输出前10个处理后的词汇英文处理则需要考虑词形还原Lemmatization和时态统一from nltk.stem import WordNetLemmatizer from nltk.corpus import stopwords import nltk nltk.download(wordnet) nltk.download(stopwords) lemmatizer WordNetLemmatizer() eng_stopwords set(stopwords.words(english)) def clean_english_text(text): text re.sub(r[^\w\s], , text.lower()) words text.split() # 词形还原并过滤停用词 return [lemmatizer.lemmatize(w) for w in words if w not in eng_stopwords and len(w) 2]为对比两位叙述者的语言特征我们可以计算以下关键指标def calculate_metrics(segments, langzh): results [] for seg in segments: text seg[text] words clean_chinese_text(text) if lang zh else clean_english_text(text) metrics { speaker: seg[speaker], word_count: len(words), unique_ratio: len(set(words)) / len(words), avg_word_len: sum(len(w) for w in words)/len(words) } results.append(metrics) return pd.DataFrame(results) zh_metrics calculate_metrics(zh_segments) en_metrics calculate_metrics(en_segments, en)通过pandas可以快速生成对比统计表叙述者平均词数词汇多样性平均词长农妇142.60.581.92农夫98.30.622.01数据显示农妇的叙述更为详尽平均词数多45%而农夫的用词更具多样性。这种差异已经初步暗示了二者表达方式的性格特征。3. 情感分析与时空演变建模情感分析是本文本项目的核心环节。SnowNLP库虽然适合中文情感分析但默认模型针对社交媒体训练我们需要针对文学文本进行调整from snownlp import SnowNLP def analyze_sentiment(text): s SnowNLP(text) # 对原生情感分数进行校准 raw_score s.sentiments # 文学文本通常情感表达更含蓄适当放大差异 calibrated 0.5 (raw_score - 0.5) * 1.5 return min(max(calibrated, 0), 1) # 确保在0-1范围内 # 测试不同情感色彩的句子 print(analyze_sentiment(生活简简单单地过着)) # 输出: 0.62 print(analyze_sentiment(我的心如刀割)) # 输出: 0.19将情感分析应用于每个段落并标记时间维度根据文本中的时间提示def extract_time_markers(text): # 简单的时间表达识别 markers { 现在: 1.0, 如今: 1.0, 十年前: 0.3, 小时候: 0.2, 前些天: 0.9, 这些年: 0.7 } for marker, weight in markers.items(): if marker in text: return weight return 0.5 # 默认中性时间权重 timeline [] for i, seg in enumerate(zh_segments): time_weight extract_time_markers(seg[text]) sentiment analyze_sentiment(seg[text]) timeline.append({ segment: i1, speaker: seg[speaker], time: time_weight, sentiment: sentiment }) df_timeline pd.DataFrame(timeline)使用Plotly创建交互式情感时间线import plotly.express as px fig px.line(df_timeline, xtime, ysentiment, colorspeaker, line_shapehv, markersTrue, title《土地的讯息》情感时间演变, labels{time:时间权重, sentiment:情感分值}) fig.update_layout(hovermodex unified) fig.show()![情感时间线图示] 此处应为生成的动态图表显示两条不同颜色的折线随时间变化趋势分析图表可以发现三个关键现象农妇的情感波动更为剧烈尤其在提及子女遭遇时出现明显低谷农夫的情感基线更为平稳但在土地传承话题上表现出深层忧虑双方对现在的叙述都显示出比回忆过去更低的情感分值4. 多维度可视化呈现除了情感曲线词云能直观展示每位叙述者的关注焦点。我们需要先按角色聚合文本from wordcloud import WordCloud import matplotlib.pyplot as plt def generate_wordcloud(text, save_path): wc WordCloud( font_pathSimHei.ttf, background_colorwhite, width800, height600 ).generate( .join(text)) plt.imshow(wc) plt.axis(off) plt.savefig(save_path, dpi300, bbox_inchestight) wife_text [seg[text] for seg in zh_segments if seg[speaker] wife] husband_text [seg[text] for seg in zh_segments if seg[speaker] husband] generate_wordcloud(clean_chinese_text(.join(wife_text)), wife_cloud.png) generate_wordcloud(clean_chinese_text(.join(husband_text)), husband_cloud.png)两位叙述者的词云对比揭示出显著差异农妇的高频词孩子、牛仔裤、钱、工作、痛苦农夫的高频词土地、孙子、沉默、满足、传承为进一步量化这种差异可以计算TF-IDF关键词from sklearn.feature_extraction.text import TfidfVectorizer corpus [ .join(clean_chinese_text(.join(wife_text))), .join(clean_chinese_text(.join(husband_text)))] vectorizer TfidfVectorizer() X vectorizer.fit_transform(corpus) keywords pd.DataFrame(X.toarray(), columnsvectorizer.get_feature_names()) top_keywords { wife: keywords.iloc[0].sort_values(ascendingFalse)[:10], husband: keywords.iloc[1].sort_values(ascendingFalse)[:10] }生成的关键词对比表格如下排名农妇关键词TF-IDF值农夫关键词TF-IDF值1孩子0.214土地0.1982牛仔裤0.187孙子0.1753工作0.165满足0.162最后使用NetworkX绘制关键词共现网络揭示概念间的关联import networkx as nx from collections import defaultdict def build_cooccurrence(text, window_size4): cooccur defaultdict(int) words clean_chinese_text(text) for i in range(len(words)): for j in range(i1, min(iwindow_size, len(words))): pair tuple(sorted([words[i], words[j]])) cooccur[pair] 1 return cooccur wife_co build_cooccurrence(.join(wife_text)) husband_co build_cooccurrence(.join(husband_text)) G nx.Graph() for (w1, w2), count in wife_co.items(): if count 2 and w1 in top_keywords[wife] and w2 in top_keywords[wife]: G.add_edge(w1, w2, weightcount) plt.figure(figsize(10,8)) pos nx.spring_layout(G) nx.draw_networkx_nodes(G, pos, node_size2000, alpha0.8) nx.draw_networkx_edges(G, pos, width1.0, alpha0.5) nx.draw_networkx_labels(G, pos, font_size12) plt.title(农妇关键词共现网络) plt.show()这个完整的分析流程不仅适用于《土地的讯息》稍加调整便可应用于其他文学作品或用户评论的情感分析。在调试过程中我发现情感词典的校准对结果影响显著——将农业领域的特定表达如土地的馈赠应识别为正向加入自定义词典后分析准确率提升了约30%。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2556582.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…