当前位置: 首页 > article >正文

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

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%。

相关文章:

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

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…...

终极Illustrator自动化脚本解决方案:专业设计师的效率革命

终极Illustrator自动化脚本解决方案:专业设计师的效率革命 【免费下载链接】illustrator-scripts Adobe Illustrator scripts 项目地址: https://gitcode.com/gh_mirrors/il/illustrator-scripts 在Adobe Illustrator的日常设计工作中,你是否曾为…...

CSGO新手必看:保姆级一键配置指南,从启动项到练枪图全搞定

CSGO新手极速上手指南:从零配置到实战训练的全套解决方案 刚接触CSGO的新手玩家往往会被游戏中复杂的设置选项、控制台命令和创意工坊地图搞得晕头转向。作为一名从2012年就开始玩CSGO的老玩家,我深知这些初始障碍会让很多有潜力的新人望而却步。本文将带…...

从电影《电力之战》到真实技术史:聊聊爱迪生、特斯拉与西屋电气的商业与技术博弈

电流战争背后的商业智慧:爱迪生、特斯拉与西屋电气的世纪博弈 1882年9月4日下午3点,托马斯爱迪生在纽约珍珠街发电站推上了电闸,400盏白炽灯瞬间点亮了曼哈顿下城的金融区。这个被后世称为"曼哈顿奇迹"的时刻,标志着电力…...

一文看懂:Agent 云原生架构是怎么落地的?

在大模型(LLM)快速发展的当下,「Agent」正在成为下一代应用形态的核心载体。 但很多人都有一个疑问: 👉 Agent 到底是怎么在工程上跑起来的? 👉 为什么大家都在强调"云原生 Agent 架构&q…...

复古硬件入门:从零认识IN-12辉光管,附管脚识别与基础点亮教程

复古硬件入门:从零认识IN-12辉光管,附管脚识别与基础点亮教程 第一次见到IN-12辉光管的人,很难不被它独特的魅力所吸引——当高压电流穿过氖气,橘红色的数字在玻璃管中幽幽亮起,仿佛瞬间穿越回上世纪六七十年代的实验室…...

想转行做自动驾驶产品经理?先看看这份从法规到落地的完整工作清单

从零转型自动驾驶产品经理:一份实战型能力地图与避坑指南 当特斯拉的FSD Beta版开始推送城市道路自动驾驶功能时,行业内外都在讨论一个关键问题:谁在定义这些智能汽车的"驾驶逻辑"?答案指向一个新兴岗位——自动驾驶产品…...

PAT题库宝藏用法:不止为考试,用这些算法题巩固你的数据结构与算法基础

PAT题库宝藏用法:不止为考试,用这些算法题巩固你的数据结构与算法基础 当你第一次听说PAT题库时,可能以为这只是个面向计算机程序设计能力考试的备考资源。但今天我要告诉你一个截然不同的视角——这套题库实际上是数据结构与算法学习的金矿。…...

别再只数朋友了!用NetworkX实战解读社交网络中的三种“核心”玩家(附完整代码)

社交网络中的关键角色识别:用NetworkX解锁三类核心玩家 在微信朋友圈里,总有几个"人脉王"能帮你联系到意想不到的资源;微博上总有些"信息枢纽"能让热点话题迅速发酵;而某些"活跃分子"则像社交网络的…...

别再到处找了!Keil MDK/C51/C166/C251历史版本下载链接规律全解析(附网盘)

Keil历史版本获取终极指南:从URL规律解析到安全下载实践 你是否曾经为了一个老旧的嵌入式项目翻遍整个互联网,只为寻找某个特定版本的Keil开发环境?那种在无数死链、广告和可疑下载按钮中挣扎的经历,相信每个嵌入式开发者都深有体…...

车载MCU与域控制器数据交互失效全复盘(MCP 2026强制认证倒计时90天)

更多请点击: https://intelliparadigm.com 第一章:MCP 2026车载系统数据交互失效事件全景速览 2024年10月,多家主流新能源车企报告MCP 2026车载通信协议栈在特定CAN FD总线负载场景下出现周期性数据交互中断,表现为T-Box与域控制…...

5大核心功能深度解析:Snap.Hutao原神工具箱如何重塑你的游戏体验

5大核心功能深度解析:Snap.Hutao原神工具箱如何重塑你的游戏体验 【免费下载链接】Snap.Hutao 实用的开源多功能原神工具箱 🧰 / Multifunctional Open-Source Genshin Impact Toolkit 🧰 项目地址: https://gitcode.com/GitHub_Trending/s…...

【独家首发】MCP 2026脱敏配置性能压测报告:单节点TPS超12,800时,字段级掩码延迟如何控制在≤17ms?

更多请点击: https://intelliparadigm.com 第一章:MCP 2026医疗数据脱敏配置概览 MCP 2026 是面向医疗健康领域的新一代合规数据处理框架,其核心能力之一是支持动态、可审计、策略驱动的结构化与非结构化医疗数据脱敏。该版本强化了对 HIPAA…...

byp4xx:自动化绕过HTTP 40X状态码的Go语言工具详解

1. 项目概述:byp4xx,一个专为绕过HTTP 40X状态码而生的工具在Web应用安全测试,尤其是渗透测试和漏洞赏金(Bug Bounty)的日常工作中,遇到403 Forbidden或404 Not Found这样的HTTP状态码是家常便饭。很多时候…...

Refined Now Playing:网易云音乐美化插件终极指南

Refined Now Playing:网易云音乐美化插件终极指南 【免费下载链接】refined-now-playing-netease 🎵 网易云音乐沉浸式播放界面、歌词动画 - BetterNCM 插件 项目地址: https://gitcode.com/gh_mirrors/re/refined-now-playing-netease Refined N…...

探索Osiris:基于Panorama UI的CS2跨平台游戏增强框架实践

探索Osiris:基于Panorama UI的CS2跨平台游戏增强框架实践 【免费下载链接】Osiris Cross-platform game hack for Counter-Strike 2 with Panorama-based GUI. 项目地址: https://gitcode.com/gh_mirrors/os/Osiris 引言:当游戏界面成为技术创新的…...

ARM Cortex-R5时钟架构与AMBA接口同步机制详解

1. ARM Cortex-R5时钟架构解析在嵌入式实时控制系统中,时钟管理直接影响着处理器的性能、功耗和实时响应能力。Cortex-R5采用单时钟域基础设计,其核心时钟输入CLKIN同时驱动以下关键模块:CPU运算单元(单核或双核配置)加…...

守护数字记忆:QZoneExport助力永久保存QQ空间青春档案

守护数字记忆:QZoneExport助力永久保存QQ空间青春档案 【免费下载链接】QZoneExport QQ空间导出助手,用于备份QQ空间的说说、日志、私密日记、相册、视频、留言板、QQ好友、收藏夹、分享、最近访客为文件,便于迁移与保存 项目地址: https:/…...

CitySim交通数据集:如何为自动驾驶安全研究提供革命性数据支持?

CitySim交通数据集:如何为自动驾驶安全研究提供革命性数据支持? 【免费下载链接】UCF-SST-CitySim1-Dataset Official github page of UCF SST CitySim Dataset 项目地址: https://gitcode.com/gh_mirrors/ucf/UCF-SST-CitySim-Dataset 随着自动驾…...

Win11Debloat:一键清理Windows臃肿的终极免费工具

Win11Debloat:一键清理Windows臃肿的终极免费工具 【免费下载链接】Win11Debloat A simple, lightweight PowerShell script that allows you to remove pre-installed apps, disable telemetry, as well as perform various other changes to declutter and custom…...

BiliBiliCCSubtitle:3分钟搞定B站字幕提取的终极解决方案

BiliBiliCCSubtitle:3分钟搞定B站字幕提取的终极解决方案 【免费下载链接】BiliBiliCCSubtitle 一个用于下载B站(哔哩哔哩)CC字幕及转换的工具; 项目地址: https://gitcode.com/gh_mirrors/bi/BiliBiliCCSubtitle 还在为B站视频中的精彩内容无法保存而烦恼吗…...

Fastboot Enhance:5分钟掌握Android设备的图形化高效管理神器

Fastboot Enhance:5分钟掌握Android设备的图形化高效管理神器 【免费下载链接】FastbootEnhance A user-friendly Fastboot ToolBox & Payload Dumper for Windows 项目地址: https://gitcode.com/gh_mirrors/fa/FastbootEnhance Fastboot Enhance是一款…...

你正在交“AI Swarm Tax“?Stanford 研究戳破多 Agent 系统神话

你正在交"AI Swarm Tax"?Stanford 研究戳破多 Agent 系统神话 引言 多 Agent 系统(Multi-Agent Systems, MAS)——比如 planner agents、角色扮演辩论、agent swarm——被广泛认为是解决复杂任务的"更高级"架构。各大 …...

Filogic 130A 为什么那么贵?进一个 HiFi4 DSP

联发科在芯片里塞进一个 HiFi4 DSP,就是为了让芯片在不惊动主 CPU(节省功耗)的情况下,能够 24 小时待命,用极低的功耗去计算:“刚才那阵噪音里是不是有人叫了我的名字?”如果没有这个 DSP&#…...

终极NCM格式解密工具:ncmppGui完整使用指南

终极NCM格式解密工具:ncmppGui完整使用指南 【免费下载链接】ncmppGui 一个使用C编写的极速ncm转换GUI工具 项目地址: https://gitcode.com/gh_mirrors/nc/ncmppGui 你是否曾在网易云音乐下载了心爱的歌曲,却无法在其他播放器或设备上欣赏&#x…...

别再踩坑了!Avue Dynamic子表单自定义操作列和序号列的正确姿势(slot: true + cell: false避坑指南)

Avue Dynamic子表单深度实践:插槽配置与自定义操作列全解析 在Vue生态的中后台开发领域,Avue作为基于Element UI的增强框架,其Dynamic子表单功能因其动态数据处理的便捷性而广受欢迎。但当开发者需要实现高度自定义的交互界面时,特…...

5分钟掌握浏览器音高检测:PitchDetect项目深度解析

5分钟掌握浏览器音高检测:PitchDetect项目深度解析 【免费下载链接】PitchDetect Pitch detection in Web Audio using autocorrelation 项目地址: https://gitcode.com/gh_mirrors/pi/PitchDetect PitchDetect是一个基于Web Audio API的开源音高检测工具&am…...

TV Bro:智能电视浏览器的遥控器优化体验指南

TV Bro:智能电视浏览器的遥控器优化体验指南 【免费下载链接】tv-bro Simple web browser for android optimized to use with TV remote 项目地址: https://gitcode.com/gh_mirrors/tv/tv-bro 你是否曾想过在智能电视上像在手机上一样轻松上网?T…...

3大架构方案深度解析:如何为paraphrase-multilingual-MiniLM-L12-v2选择最优部署策略

3大架构方案深度解析:如何为paraphrase-multilingual-MiniLM-L12-v2选择最优部署策略 【免费下载链接】paraphrase-multilingual-MiniLM-L12-v2 项目地址: https://ai.gitcode.com/hf_mirrors/ai-gitcode/paraphrase-multilingual-MiniLM-L12-v2 paraphrase…...

Ludusavi:免费开源的游戏存档备份工具,轻松保护你的游戏进度

Ludusavi:免费开源的游戏存档备份工具,轻松保护你的游戏进度 【免费下载链接】ludusavi Backup tool for PC game saves 项目地址: https://gitcode.com/gh_mirrors/lu/ludusavi 你是否曾经因为电脑故障、系统重装或误删除而丢失了宝贵的游戏存档…...