Python如何从word提取关键词

Python 从 Word 提取关键词的几种方法包括：使用Python-docx库读取Word文件、使用NLTK进行自然语言处理、使用TF-IDF算法计算关键词权重、结合RAKE算法进行关键词提取。其中，Python-docx库读取Word文件 是最基础的一步，通过这个库可以方便地读取Word文件的内容。接下来，我们详细介绍如何使用这些方法来提取关键词。

一、Python-docx库读取Word文件

Python-docx 是一个Python库，可以方便地读取和创建Word文件。我们可以使用它来提取Word文件中的文本内容。下面是一个简单的示例：

from docx import Document
def read_word_file(file_path):
    doc = Document(file_path)
    full_text = []
    for para in doc.paragraphs:
        full_text.append(para.text)
    return '\n'.join(full_text)
file_path = 'example.docx'
text = read_word_file(file_path)
print(text)

在这个示例中，我们首先导入了 Document 类，然后使用它来读取Word文件的内容。我们遍历所有的段落，并将它们的文本添加到一个列表中，最后将这些文本拼接成一个字符串。

二、使用NLTK进行自然语言处理

NLTK（Natural Language Toolkit）是一个强大的Python库，用于处理和分析自然语言数据。我们可以使用它来进行分词、去除停用词等操作，从而为关键词提取做好准备。以下是一个示例：

import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
nltk.download('punkt')
nltk.download('stopwords')
def preprocess_text(text):
    stop_words = set(stopwords.words('english'))
    word_tokens = word_tokenize(text)
    filtered_text = [word for word in word_tokens if word.lower() not in stop_words and word.isalpha()]
    return filtered_text
filtered_text = preprocess_text(text)
print(filtered_text)

在这个示例中，我们使用NLTK下载了必要的资源，如停用词列表和分词器。然后，我们定义了一个函数 preprocess_text，它接收一个文本字符串，进行分词，并去除停用词和非字母字符。

三、使用TF-IDF算法计算关键词权重

TF-IDF（Term Frequency-Inverse Document Frequency）是一种常用的文本分析技术，用于评估一个词在一个文档中的重要性。我们可以使用 scikit-learn 库中的 TfidfVectorizer 来实现这一功能。下面是一个示例：

from sklearn.feature_extraction.text import TfidfVectorizer
def extract_keywords(text, num_keywords=10):
    vectorizer = TfidfVectorizer()
    tfidf_matrix = vectorizer.fit_transform([text])
    feature_names = vectorizer.get_feature_names_out()
    tfidf_scores = tfidf_matrix.toarray()[0]
    keyword_indices = tfidf_scores.argsort()[-num_keywords:][::-1]
    keywords = [feature_names[i] for i in keyword_indices]
    return keywords
keywords = extract_keywords(text)
print(keywords)

在这个示例中，我们使用 TfidfVectorizer 将文本转换为TF-IDF矩阵，然后计算每个词的TF-IDF分数，并提取得分最高的关键词。

四、结合RAKE算法进行关键词提取

RAKE（Rapid Automatic Keyword Extraction）算法是一种用于从文档中提取关键词的简单而高效的方法。我们可以使用 rake-nltk 库来实现这一功能。下面是一个示例：

from rake_nltk import Rake
def extract_keywords_rake(text):
    rake = Rake()
    rake.extract_keywords_from_text(text)
    keywords = rake.get_ranked_phrases()
    return keywords
keywords_rake = extract_keywords_rake(text)
print(keywords_rake)

在这个示例中，我们使用 Rake 类来提取关键词。extract_keywords_from_text 方法用于从文本中提取关键词，get_ranked_phrases 方法返回按重要性排序的关键词短语列表。

结合以上方法的完整示例

下面是一个结合以上方法的完整示例，从读取Word文件到提取关键词的全过程：

from docx import Document
import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
from sklearn.feature_extraction.text import TfidfVectorizer
from rake_nltk import Rake
nltk.download('punkt')
nltk.download('stopwords')
def read_word_file(file_path):
    doc = Document(file_path)
    full_text = []
    for para in doc.paragraphs:
        full_text.append(para.text)
    return '\n'.join(full_text)
def preprocess_text(text):
    stop_words = set(stopwords.words('english'))
    word_tokens = word_tokenize(text)
    filtered_text = [word for word in word_tokens if word.lower() not in stop_words and word.isalpha()]
    return filtered_text
def extract_keywords_tfidf(text, num_keywords=10):
    vectorizer = TfidfVectorizer()
    tfidf_matrix = vectorizer.fit_transform([text])
    feature_names = vectorizer.get_feature_names_out()
    tfidf_scores = tfidf_matrix.toarray()[0]
    keyword_indices = tfidf_scores.argsort()[-num_keywords:][::-1]
    keywords = [feature_names[i] for i in keyword_indices]
    return keywords
def extract_keywords_rake(text):
    rake = Rake()
    rake.extract_keywords_from_text(text)
    keywords = rake.get_ranked_phrases()
    return keywords
file_path = 'example.docx'
text = read_word_file(file_path)
filtered_text = preprocess_text(text)
text_for_tfidf = ' '.join(filtered_text)
keywords_tfidf = extract_keywords_tfidf(text_for_tfidf)
keywords_rake = extract_keywords_rake(text)
print("TF-IDF Keywords:", keywords_tfidf)
print("RAKE Keywords:", keywords_rake)