### 使用 Python 和 Jieba 库爬取新闻网站内容并通过 WordCloud 生成词云 要完成这一任务，需要以下几个主要步骤：获取网页数据、解析 HTML 数据提取所需文本、利用 `jieba` 进行中文分词处理以及使用 `wordcloud` 绘制词云。 #### 获取网页数据 可以通过 `requests` 或者更高级的工具如 `selenium` 来抓取目标页面的内容。以下是简单的请求示例： ```python import requests url = "https://example.com/news" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)" } response = requests.get(url, headers=headers) if response.status_code == 200: html_content = response.text else: raise Exception("Failed to fetch the webpage.") ``` #### 解析 HTML 并提取文本 可以借助 `BeautifulSoup` 提取所需的新闻正文部分： ```python from bs4 import BeautifulSoup soup = BeautifulSoup(html_content, 'html.parser') text_elements = soup.find_all(['p', 'h1', 'h2']) # 假设文章的主要内容位于 p 标签中 news_text = ' '.join([element.get_text(strip=True) for element in text_elements]) ``` #### 中文分词处理 由于 `wordcloud` 默认不支持中文字符分割，因此需引入 `jieba` 对文本进行预处理： ```python import jieba seg_list = jieba.lcut(news_text) cleaned_text = ' '.join(seg_list) ``` #### 创建并保存词云图像 最后一步是配置 `WordCloud` 参数以适应需求，并生成最终图片文件： ```python from wordcloud import WordCloud import matplotlib.pyplot as plt wc = WordCloud( font_path='/path/to/msyh.ttf', # 替换为实际路径下的字体文件位置 width=800, height=400, background_color="white", ).generate(cleaned_text) plt.figure(figsize=(10, 5)) plt.imshow(wc, interpolation='bilinear') plt.axis("off") plt.show() wc.to_file("output_wordcloud.png") # 将结果导出到本地磁盘作为 PNG 文件存储下来 ``` 以上代码片段展示了如何综合运用多个库来达成目的[^1][^2]。需要注意的是，在运行之前应确认安装好所有依赖项(`pip install beautifulsoup4 requests wordcloud jieba`)；另外也要留意可能存在的编码问题或者访问权限限制等情况[^3].