python实现关键词提取

简单的关键词提取的代码

文章内容关键词的提取分为三大步：

（1） 分词

（2） 去停用词

（3） 关键词提取

分词方法有很多，我这里就选择常用的结巴jieba分词；去停用词，我用了一个停用词表。具体代码如下：

 1 import jieba
 2 import jieba.analyse
 3 
 4 #第一步：分词，这里使用结巴分词全模式
 5 text = '''新闻，也叫消息，是指报纸、电台、电视台、互联网经常使用的记录社会、传播信息、反映时代的一种文体，\
 6 具有真实性、时效性、简洁性、可读性、准确性的特点。\
 7 新闻概念有广义与狭义之分。\
 8 就其广义而言，除了发表于报刊、广播、电视上的评论与专文外的常用文本都属于新闻之列，包括消息、通讯、特写、速写（有的将速写纳入特写之列）等等。\
 9 狭义的新闻则专指消息，消息是用概括的叙述方式，比较简明扼要的文字，迅速及时地报道国内外新近发生的、有价值的的事实。\
10 新闻也分公众新闻和小道新闻等。每则新闻在结构上，一般包括标题、导语、主体、背景和结语五部分。\
11 前三者是主要部分，后二者是辅助部分。写法上主要是叙述，有时兼有议论、描写、评论等。
12 '''
13 fenci_text = jieba.cut(text)
14 #print("/ ".join(fenci_text))
15 
16 #第二步：去停用词
17 #这里是有一个文件存放要改的文章，一个文件存放停用表，然后和停用表里的词比较，一样的就删掉，最后把结果存放在一个文件中
18 stopwords = {}.fromkeys([ line.rstrip() for line in open('stopwords.txt') ])
19 final = ""
20 for word in fenci_text:
21     if word not in stopwords:
22         if (word != "。" and word != "，") :
23             final = final + " " + word
24 print(final)
25 
26 #第三步：提取关键词
27 a=jieba.analyse.extract_tags(text, topK = 5, withWeight = True, allowPOS = ())
28 b=jieba.analyse.extract_tags(text, topK = 6,   allowPOS = ())
29 print(a)
30 print(b)
31 #text 为待提取的文本
32 # topK:返回几个 TF/IDF 权重最大的关键词，默认值为20。
33 # withWeight:是否一并返回关键词权重值，默认值为False。
34 # allowPOS:仅包括指定词性的词，默认值为空，即不进行筛选。

运行结果如下：

 新闻 也 叫 消息 是 指 报纸 、 电台 、 电视台 、 互联网 经常 使用 的 记录 社会 、 传播 信息 、 反映 时代 的 一种 文体 具有 真实性 、 时效性 、 简洁性 、 可读性 、 准确性 的 特点 新闻 概念 有 广义 与 狭义 之分 就 其 广义 而言 除了 发表 于 报刊 、 广播 、 电视 上 的 评论 与 专文 外 的 常用 文本 都 属于 新闻 之 列 包括 消息 、 通讯 、 特写 、 速写 （ 有 的 将 速写 纳入 特写 之 列 ） 等等 狭义 的 新闻 则 专指 消息 消息 是 用 概括 的 叙述 方式 比较 简明扼要 的 文字 迅速 及时 地 报道 国内外 新近 发生 的 、 有 价值 的 的 事实 新闻 也 分 公众 新闻 和 小道 新闻 等 每则 新闻 在结构上 一般 包括 标题 、 导语 、 主体 、 背景 和 结语 五 部分 前 三者 是 主要 部分 后 二者 是 辅助 部分 写法 上 主要 是 叙述 有时 兼有 议论 、 描写 、 评论 等 

[('新闻', 0.4804811569680808), ('速写', 0.2121107125313131), ('消息', 0.20363211136040404), ('特写', 0.20023623445272729), ('狭义', 0.16168734917858588)]
['新闻', '速写', '消息', '特写', '狭义', '广义']