提起中国武侠小说，金庸先生是绕不开的名字，十余年间以汪洋恣肆的想象力，写下15部作品。可用"飞雪连天射白鹿，笑书神侠倚碧鸳"来形容。
这些作品分别是《飞狐外传》(1960年)、《雪山飞狐》(1959年)、《连城诀》(1963年)、《天龙八部》(1963年)、《射雕英雄传》(1957年)、《白马啸西风》(1961年)、《鹿鼎记》(1969年)、《笑傲江湖》(1967年)、《书剑恩仇录》(1955年)、《神雕侠侣》(1959年)、《侠客行》(1965年)、《倚天屠龙记》(1961年)、《碧血剑》(1956年)《鸳鸯刀》(1961年)、《越女剑》(短篇小说)(1970年)。
本文使用Python对其15部小说展开分析，通过文本挖掘，为大家展示别样的江湖恩怨情仇。
数据获取
编写简单的爬虫程序获取金庸15本小说，并写入本地txt文件中。爬虫函数不在此展示。
文本处理
分别将小说的人物(names)、功夫(kungfu)、派别(bangs)写入txt文件中,并与小说放在同一个文件夹中。
file='D:/CuteHand/jr_novels/names.txt' #本地文件夹，根据需要修改 #可以使用os模块的添加路径 with open(file) as f: # 去掉结尾的换行符 data = [line.strip() for line in f.readlines()] novels = data[::2] names = data[1::2] novel_names = {k: v.split() for k, v in zip(novels, names)}金庸小说充满恩怨情仇，其中，《倚天屠龙记》中张无忌一生遇到很多女人，如赵敏、周芷若、小昭、蛛儿、朱九真、杨不悔等，到底谁是女主角呢?我们来看下这几位美女在小说中分别出现的次数。
file='D:/CuteHand/jr_novels/倚天屠龙记.txt' with open(file) as f: data = f.read() Actress=['赵敏','周芷若','小昭','蛛儿', '朱九真','杨不悔'] for name in Actress: print("%s"% name,data.count(name)) 赵敏 1240 周芷若 819 小昭 352 蛛儿 231 朱九真 141 杨不悔 190将这几位美女在小说中出现的次数进行可视化，可以更直观地看出哪位才是张无忌的归属：
#可视化，重点在于学习使用matplotlib库画图 #导入需要的包 import numpy as np import scipy as sp import matplotlib.pyplot as plt %matplotlib inline #画图正常显示中文 from pylab import mpl mpl.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 mpl.rcParams['axes.unicode_minus']=False # 用来正常显示负号 actress_data = {'赵敏':1240,'周芷若': 819, '小昭': 352,'蛛儿': 231, '朱九真': 141,'杨不悔': 190} for a, b in actress_data.items(): plt.text(a, b + 0.05, '%.0f' % b, ha='center', va='bottom', fontsize=12) #ha 文字指定在柱体中间， #va指定文字位置 #fontsize指定文字体大小 # 设置X轴Y轴数据，两者都可以是list或者tuple x_axis = tuple(actress_data.keys()) y_axis = tuple(actress_data.values()) plt.bar(x_axis, y_axis, color='rgbyck') # 如果不指定color，所有的柱体都会是一个颜色 #b: blue g: green r: red c: cyan #m: magenta y: yellow k: black w: white plt.xlabel("女角名") # 指定x轴描述信息 plt.ylabel("小说中出现次数") # 指定y轴描述信息 plt.title("谁是女主角？") # 指定图表描述信息 plt.ylim(0, 1400) # 指定Y轴的高度 plt.show()
众所周知，张无忌最终和赵敏在一起了，而与周芷若之间很是坎坷…;小昭挺喜欢的角色，可惜被不可抗拒的外力给分开了;蛛儿，暂且说是女方单恋吧;朱九真只是过客，不过也算是张无忌情窦初开喜欢的一个;杨不悔只能说是玩伴。
文本挖掘
接下来，通过分析小说人物的出场次数来判断小说的主要人物。
#继续挖掘下倚天屠龙记里面人物出现次数排名 namelist=[name.strip() for name in novel_names['倚天屠龙记']] namelist=''.join(namelist) namelist=namelist.split('、') count = [] num=10 #统计前10名 for name in namelist: count.append([name, data.count(name)]) count.sort(key=lambda x: x[1]) _, ax = plt.subplots() numbers = [x[1] for x in count[-num:]] names = [x[0] for x in count[-num:]] ax.barh(range(num), numbers, align='center') ax.set_title('倚天屠龙记', fontsize=14) ax.set_yticks(range(num)) ax.set_yticklabels(names, fontsize=10) plt.show()
网上收集了下金庸小说的功夫和门派种类，分别写入kungfu.txt和bangs.txt中，其中武功246种，门派120个。
#加入功夫和门派数据 file='D:/CuteHand/jr_novels/' with open(file+"kungfu.txt") as f: kungfu_names = [line.strip() for line in f.readlines()] with open(file+"bangs.txt") as f: bang_names = [line.strip() for line in f.readlines()]
#编写文本挖掘可视化函数 #寻找小说出现最多的十大人物 def find_main_characters(novel): file='D:/CuteHand/jr_novels/' with open(file+'names.txt') as f: df = [line.strip() for line in f.readlines()] novels = df[::2] names = df[1::2] novel_names = {k: v.split() for k, v in zip(novels, names)} with open(file+'{}.txt'.format(novel)) as f: data = f.read() count = [] namelist=[name.strip() for name in novel_names[novel]] namelist=''.join(namelist) namelist=namelist.split('、') for name in namelist: count.append([name, data.count(name)]) count.sort(key=lambda x: x[1]) _, ax = plt.subplots() num=10 numbers = [x[1] for x in count[-num:]] names = [x[0] for x in count[-num:]] ax.barh(range(num), numbers, align='center') ax.set_title(novel+"出现最多的十大人物", fontsize=16) ax.set_yticks(range(num)) ax.set_yticklabels(names, fontsize=14) #寻找小说出现最多的十大武功 def kungfu(novel): file='D:/CuteHand/jr_novels/' with open(file+'{}.txt'.format(novel)) as f: df = f.read() namelist=kungfu_names count = [] num=10 #统计前10名 for name in namelist: count.append([name, df.count(name)]) count.sort(key=lambda x: x[1]) _, ax = plt.subplots() numbers = [x[1] for x in count[-num:]] names = [x[0] for x in count[-num:]] ax.barh(range(num), numbers, align='center') ax.set_title(novel+"出现最多的十大武功", fontsize=16) ax.set_yticks(range(num)) ax.set_yticklabels(names, fontsize=14) #寻找小说出现最多的十大门派 def bang(novel): file='D:/CuteHand/jr_novels/' with open(file+'{}.txt'.format(novel)) as f: df = f.read() namelist=bang_names count = [] num=10 #统计前10名 for name in namelist: count.append([name, df.count(name)]) count.sort(key=lambda x: x[1]) _, ax = plt.subplots() numbers = [x[1] for x in count[-num:]] names = [x[0] for x in count[-num:]] ax.barh(range(num), numbers, align='center') ax.set_title(novel+"出现最多的十大门派", fontsize=16) ax.set_yticks(range(num)) ax.set_yticklabels(names, fontsize=14) #将三个函数合成一个主函数 def main(novel): find_main_characters(novel) bang(novel) kungfu(novel) main('倚天屠龙记')
main('天龙八部')
main('神雕侠侣')
main('笑傲江湖')
寻找人物关系
使用gensim和jieba包对文本做进一步挖掘，寻找人物之间的关系。一般要先安装相应的包，只要在Anaconda Prompt上输入pip install gensim和pip install jieba进行安装即可。
import gensim import warnings warnings.filterwarnings(action='ignore', category=UserWarning,module='gensim') warnings.filterwarnings(action='ignore', category=FutureWarning,module='gensim') import jieba for _, names in novel_names.items(): for name in names: jieba.add_word(name) file='D:/CuteHand/jr_novels/' with open(file+"kungfu.txt") as f: kungfu_names = [line.strip() for line in f.readlines()] with open(file+"bangs.txt") as f: bang_names = [line.strip() for line in f.readlines()] for name in kungfu_names: jieba.add_word(name) for name in bang_names: jieba.add_word(name) books = ['天龙八部','鹿鼎记','神雕侠侣','笑傲江湖', '碧血剑','倚天屠龙记','飞狐外传','书剑恩仇录', '侠客行','鸳鸯刀','白马啸西风','雪山飞狐'] sentences = [] for novel in books: print ("处理：{}".format(novel)) with open(file+'{}.txt'.format(novel)) as f: data = [line.strip() for line in f.readlines() if line.strip()] for line in data: words = list(jieba.cut(line)) sentences.append(words) model = gensim.models.Word2Vec(sentences, size=100,window=5, min_count=5, workers=4)首先，来看下《倚天屠龙记》里张无忌与哪位女角的关系最紧密。
Actress=['赵敏','周芷若','小昭','蛛儿', '朱九真','杨不悔'] for a in Actress: print("张无忌与%s的相关度" % a,model. wv.similarity('张无忌',a))结果如下：
张无忌与赵敏的相关度 0.7922112
张无忌与周芷若的相关度 0.7983359
张无忌与小昭的相关度 0.60103273
张无忌与蛛儿的相关度 0.7526051
张无忌与朱九真的相关度 0.5569755
张无忌与杨不悔的相关度 0.5574214
从文本挖掘上看，张无忌似乎与周芷若“关系”更加紧密。不过，周芷若与赵敏的相关度非常接近。
其次，运用12部小说(其中，射雕英雄传、越女剑和连城诀可能存在非法字符，读不出来)交叉判断人物之间的关系。
def find_relationship(a, b, c):
"""
返回 d
a与b的关系，跟c与d的关系一样
"""
d, _ = model.wv.most_similar([c, b], [a])[0]
print ("给定“{}”与“{}”，“{}”和“{}”有类似的关系".
format(a, b, c, d))
find_relationship('小龙女','杨过' ,'黄蓉')
输出结果(Interesting!)：
给定“小龙女”与“杨过”，“黄蓉”和“郭襄”有类似的关系
词云
通过对小说文本中出现频率较高的“关键词”予以视觉上的突出，形成“关键词云层”或“关键词渲染”，过滤掉大量的文本信息，可以试着通过关键词来自行串起故事的梗概和判断人物的关系。
#引入需要的包
import jieba
import jieba.analyse
import numpy as np
import codecs
import pandas as pd
from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
#读入《倚天屠龙记》文本内容
text=codecs.open('D:/CuteHand/jr_novels/倚天屠龙记.txt',
'rb','gbk').read()
tags=jieba.analyse.extract_tags(text,topK=100,
withWeight=True)
tf=dict((a[0],a[1]) for a in tags)
#识别中文文本
wc=WordCloud(font_path='C:WindowsFontsSTZHONGS.TTF')
wc=wc.generate_from_frequencies(tf)
plt.figure(num=None,figsize=(12,10),facecolor='w',edgecolor='k')
plt.imshow(wc)
plt.axis('off')
plt.show()
生成特定形状的词云
backgroud_Image = plt.imread('D:/CuteHand/jr_novels/地图.jpg')
#可以自己找适合的图片做背景，最后是背景白色
wc = WordCloud(
background_color='white',
# 设置背景颜色
mask=backgroud_Image,
# 设置背景图片
font_path='C:WindowsFontsSTZHONGS.TTF',
# 若是有中文的话，这句代码必须添加
max_words=2000, # 设置最大现实的字数
stopwords=STOPWORDS,# 设置停用词
max_font_size=150,# 设置字体最大值
random_state=30
# 设置有多少种随机生成状态，即有多少种配色方案
)
wc.generate_from_frequencies(tf)
#img_colors = ImageColorGenerator(backgroud_Image)
#字体颜色为背景图片的颜色
#wc.recolor(color_func=img_colors)
plt.figure(num=None,figsize(12,10),
facecolor='w',edgecolor='k')
plt.imshow(wc)
# 是否显示x轴、y轴下标
plt.axis('off')
plt.show()
将上述过程包装成函数,方便批量处理
def jr_cloud(novel,file):
import jieba
import jieba.analyse
import numpy as np
import codecs
import pandas as pd
from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
text=codecs.open(file+'{}.txt'.format(novel),
'rb','gbk').read()
tags=jieba.analyse.extract_tags(text,topK=50,withWeight=True)
tf=dict((a[0],a[1]) for a in tags)
wc=WordCloud(font_path='c:windowsontssimsun.ttc',
background_color='white')
wc=wc.generate_from_frequencies(tf)
plt.figure(num=None,figsize=(12,10),
facecolor='w',edgecolor='k')
plt.title(novel,fontsize=18)
plt.imshow(wc)
plt.axis('off')
plt.show()
file='D:/CuteHand/jr_novels/'
novels = ['天龙八部','鹿鼎记','神雕侠侣','笑傲江湖',
'碧血剑','倚天屠龙记','飞狐外传','书剑恩仇录',
'侠客行','鸳鸯刀','白马啸西风','雪山飞狐']
jr_cloud(novels[0],file)
#鹿鼎记词云
jr_cloud(novels[1],file)
#笑傲江湖词云
jr_cloud(novels[3],file)
人物关系网络分析
最后运用网络分析法，将小说中的人物关系用图形展示出来。
import networkx as nx
import matplotlib.pyplot as plt
import jieba
import codecs
import jieba.posseg as pseg
names = {}
# 姓名字典
relationships = {}
# 关系字典
lineNames = []
# 每段内人物关系
# count names
jieba.load_userdict(novel_names['倚天屠龙记'])
with codecs.open("D:/CuteHand/jr_novels/
倚天屠龙记.txt", "r") as f:
for line in f.readlines():
poss = pseg.cut(line)
# 分词并返回该词词性
lineNames.append([])
# 为新读入的一段添加人物名称列表
for w in poss:
if w.flag != "nr" or len(w.word)
continue
# 当分词长度小于2或该词词性不为nr时认为该词不为人名
lineNames[-1].append(w.word)
# 为当前段的环境增加一个人物
if names.get(w.word) is None:
names[w.word] = 0
relationships[w.word] = {}
names[w.word] += 1
# 该人物出现次数加 1
# explore relationships
for line in lineNames:
# 对于每一段
for name1 in line:
for name2 in line:
# 每段中的任意两个人
if name1 == name2:
continue
if relationships[name1].get(name2) is None:
# 若两人尚未同时出现则新建项
relationships[name1][name2]= 1
else:
relationships[name1][name2] =
relationships[name1][name2]+ 1
# 两人共同出现次数加 1
with codecs.open("D:/CuteHand/jr_novels/person_edge.txt",
"a+", "utf-8") as f:
for name, edges in relationships.items():
for v, w in edges.items():
if w >500:
f.write(name + " " + v + "
" + str(w) + " ")
a = []
f = open('D:/CuteHand/jr_novels/person_edge.txt',
'r',encoding='utf-8')
line = f.readline()
while line:
a.append(line.split())
#保存文件是以空格分离的
line = f.readline()
f.close()
#画图
G = nx.Graph()
G.add_weighted_edges_from(a)
nx.draw(G,with_labels=True,font_size=9,
node_size=800,node_color='r')
plt.show()
最终呈现：
关于作者：CuteHand，专注于分享Python金融量化分析源码、经济分析框架和金融思维，手把手教你使用Python做金融数据分析。