みなさん，こんにちは。
シンノユウキ（shinno1993）です。
今回は自分のブログの文章の特徴をワードクラウドで可視化する方法を紹介したいと思います．今回はWordPressを対象としていますので，違うサービスを利用している方は少し工夫が必要になります．
では行きましょう！
ブログ記事をCSVでエクスポートしよう！
まずは，ブログ記事をエクスポートする必要があります．URLから直接読み込んでいく方法もあるにはあるのですが，面倒なので，CSVでブログの記事本文をエクスポートしちゃいましょう．
WordPressの場合はプラグイン：「WP CSV Exporter」を使用すると便利です．もちろん，記事の本文が取得できれば良いので，他のプラグインを使用しても構いません．
エクスポートする項目は記事本文を示している「Post Content」以外はお好みで構いません．
また，記事の期間を指定することもできます．今回は，2018年に公開した記事を対象にしました．
エクスポートすると以下のようなCSVファイルがダウンロードできるかと思います．
これをPythonで扱っていきます．
今回使用するライブラリたち
では，いよいよPythonの方での作業となります．以下のコードを記述し，今回使用するライブラリたちを読み込んで下さい：
import csv import html2text import re from janome.tokenizer import Tokenizer from wordcloud import WordCloud import matplotlib.pyplot as plt
- csv：CSVファイルを読み書きするための標準ライブラリです．
- html2text：HTMLファイルをプレーンテキストなどに変換するライブラリです．
- re：文字列の正規表現による置換などに使います．
- janome：形態素解析を行うためのライブラリです．
- WordCloud：ワードクラウドを描くためのライブラリです．
- matplotlib：グラフを書くためのライブラリです．
以下で使い方などは解説していきますので，とりあえず書いてしまいましょう．
CSVファイルを読み込もう！
では，次はCSVファイルを読み込んでいきます．以下のコードを実行してください：
file_path = "./*****.csv"
csv_file = open(file_path, "r", encoding="shift-jis", errors="", newline="")
f = csv.reader(csv_file, skipinitialspace=True)
header = next(f)
text = ""
for row in f:
text += " " + row[4]
file_pathには，先ほどエクスポートしたCSVファイルのパスを入れて下さい．CSVファイルを開き，変数fにCSVの中身のようなものを入れています．
その中身をfor row in f: で一行ずつ取り出しています．row[4]がブログの本文が格納されている場所ですので，それをtextにスペース区切りで結合していっています．
この処理が終わると，全ての記事の本文がtextに含まれている状態になります．
文章をクリーニングしよう！
エクスポートされた文章は，HTMLのタグが含まれていたり，URLなど重要でない単語が含まれているなど，そのままの状態でワードクラウドを作成できるような状態ではありません．なので，以下でその文章をクリーニングしていきます．
不要な文字の削除
HTMLのタグ
まずは，記事中に含まれる不要な文字の代表格，HTMLのタグを削除していきましょう．
これには，ライブラリ：html2textを使用します．以下のコードを実行してください：
h = html2text.HTML2Text() text = h.handle(text)
この状態でtextをprintしてみましょう．HTMLのタグが取り除かれた状態で出力されたかと思います．
URLの除外
その他，URLがtextに含まれる場合があるので，それを削除します．これには，reライブラリを使用します．以下のコードを実行してください：
text = re.sub("(https?|ttp)(:\/\/[-_\.!~*\'()a-zA-Z0-9;\/?:\@&=\+\$,%#]+)", " " ,text)
これは，正規表現を用いて，httpsもしくはhttpから始まる英数字の文字列を半角スペースに置き換えています．URLを除外する方法はいくつかあるのですが，この方法が最も簡単にできましたので，紹介しています．
これで，ある程度，不要な文字を削除することができました！
わかち書き
次は，textをワードクラウドで扱えるようにするために，わかち書きと呼ばれる書き方に変更します．これにはJanomeを使用します．このわかち書きにする方法については，以下の記事でも同様に使っていますので，併せて参照してみてください：
では，以下のコードを実行してください：
t = Tokenizer()
tokens = t.tokenize(text)
words = []
for token in tokens:
word = token.surface
part_of_speech = token.part_of_speech.split(',')[0]
part_of_speech2 = token.part_of_speech.split(',')[1]
if part_of_speech == "名詞":
if(part_of_speech2 != "非自立") and (part_of_speech2 != "代名詞"):
words.append(word)
word_list=" ".join(words)
janomeで形態素解析した単語をword_listにスペース区切りで結合しています．この際，ブログの特徴を示せるように，名詞で，かつ非自立でも代名詞でもない単語のみを抽出しています．
ここの処理は，ブログ記事の数や本文の量によって大きく変わります．多すぎると動かない？可能性もあるかもしれませんが，私程度であれば問題ありませんでした．
ワードクラウドを作成しよう！
では，最後にワードクラウドを作成しましょう．
以下のコードを実行してください：
wordcloud = WordCloud(
font_path='C:\Windows\Fonts\meiryo.ttc',
width=1200, height=630,
background_color="white",
).generate(word_list)
plt.figure(figsize=(100,50))
plt.imshow(wordcloud)
plt.axis("off")
plt.show()
これで，ワードクラウドを描くことができます．
私の場合，以下のようになりました：
うーん．分からないでもないですが，一般的に多用されている言葉が多い印象ですね．「場合」や「今回」など．なので，これらを除外して，より特徴を際立たせるようにしてみましょう．
データをクリーニングする際に，以下のようなコードを追加してくだい：
text = re.sub("今回", " ", text)
text = re.sub("場合", " ", text)
text = re.sub("まとめ", " ", text)
text = re.sub("処理", " ", text)
text = re.sub("使用", " ", text)
text = re.sub("紹介", " ", text)
text = re.sub("必要", " ", text)
text = re.sub("表示", " ", text)
text = re.sub("利用", " ", text)
text = re.sub("作成", " ", text)
text = re.sub("入力", " ", text)
指定した言葉を，textから除外しています．私の場合はこれらの言葉を除外しましたが，ワードクラウドを見て不要だと思うものを削除してみてください．
微調整の結果，以下のようなワードクラウドを作成することができました！
結構，私のブログを反映できてるのでは？と感じていますが，いかがでしょう？
まとめ
今回は自分のブログ記事をテキストマイニングし，ワードクラウドとして表示する方法を紹介しました．結構簡単で手軽にできますので，ぜひお試し下さい！