seo与python大数据结合给文本分词并提取高频词

最近研究seo和python如何结合，参考网上的一些资料，写的这个程序。

目的：分析某个行业（例如：圆柱模板）用户最关心的一些词，根据需求去自动调整TDK,以及栏目，内容页的规划

使用方法：

1、下载安装cygwin：http://www.cygwin.com/

2、cygwin安装时别忘记安装curl，wget，iconv，lynx，dos2unix，Python等常用工具，特别是Python，这次主要就是用它了。

3、去下载jieba中文分词组件：

首选：https://github.com/fxsjy/jieba/archive/master.zip

备用：https://pypi.python.org/pypi/jieba/

4、安装jieba中文分词组件：

全自动安装： easy_install jieba 或者 pip install jieba / pip3 install jieba

半自动安装：先下载 https://pypi.python.org/pypi/jieba/ ，解压后运行 python setup.py install

手动安装：将 jieba 目录放置于当前目录或者 site-packages 目录

通过 import jieba 来引用

5、复制以下代码，另存为“jiebacmd.py”

6、新建一个文件夹，将你需要分词的文本和jiebacmd.py拷进去，记住文本需要另存为utf-8编码，然后在cygwin里用cd命令把工作目录切换进新建的文件夹，再输入以下命令：cat abc.txt|python jiebacmd.py|sort|uniq -c|sort -nr|head -100

　　代码：

#encoding=utf-8

#usage example (find top 100 words in abc.txt):

#用途：找出abc.txt文件中出现频率最高的前100个词

#复制以下命令到cygwin里运行，abc.txt是你文本的文件名，head -100可以自己改成想要提取的前多少个词

#cat abc.txt | python jiebacmd.py | sort | uniq -c | sort -nr -k1 | head -100

#以上都是注释，不影响程序运行

from __future__ import unicode_literals

import sys

sys.path.append("../")

reload(sys)

sys.setdefaultencoding( "utf-8" )

import jieba

default_encoding='utf-8'

if len(sys.argv)>1:

    default_encoding = sys.argv[1]

while True:

    line = sys.stdin.readline()

    if line=="":

        break

    line = line.strip()

    for word in jieba.cut(line):

        print(word)