tm是一个专门用于文本挖掘的程序包，它可以把来自多种途径（文件夹、文件、甚至是pdf或者word文件）的文本转换为语料库，然后按照自己的需求表示为文档特征矩阵，接着利用进行多种成熟挖掘手段进行处理。而wordcloud是一个可以把文本根据频度等进行进行可视化输出词云的包，使用简单。

下面针对《骆驼祥子》的电子书，首先分词、然后去除停用词，接着转换为语料库，并统计出词频，从而输出数据供wordcloud输出词云。

#install.packages(wordcloud,repos=http://mirrors.ustc.edu.cn/CRAN/)

#安装词云包

library(rJava)

library(Rwordseg)

library(wordcloud)

library(tm)

insertWords(c(祥子,虎妞,刘四爷,曹先生,曹太太,小福子,二强子,老马,高妈,孙侦探,陈二奶,阮明))

#把姓名加入到分词的词库

segmentCN(F:/Ex12/data/骆驼祥子.txt,outfile=f:/ex12/data/骆驼祥子.txt.segment)

#分词

file<-DirSource(directory = f:/ex12/data,

encoding=UTF-8,

pattern = *.segment)

ovid<-Corpus(file,readerControl = list(language = zh))

#从文件加载语料库

ovid<-tm_map(ovid,stripWhitespace)

#去除多余的空格

ctrl <- list(tolower=FALSE,

removeNumbers=FALSE,

wordLengths = c(1, Inf),

stopwords = FALSE)

stopwords<-read.csv(f:/ex12/data/stopwords.txt, stringsAsFactors=FALSE)

stopwords<-stopwords[,1]

stopwords<-enc2utf8(stopwords)

stopwords<-stopwords[Encoding(stopwords)!=unknown]

#读取停用词并过滤掉不合法的数据

ovid<-tm_map(ovid,removeWords,stopwords)

#去除停用词

wordfreq<-termFreq(ovid[[1]],ctrl)

#获取频度

wordfreq<-sort(wordfreq,decreasing=true)

#按照频度从大到小排序

summary(wordfreq)

#得到词频

wordfreq<-wordfreq[wordfreq>mean(wordfreq)]

#只留下词频大于平均值的词语

words<-names(wordfreq)

#从向量的名称中得到每一个词组

wordcloud(words, wordfreq, col = rainbow(length(wordfreq)),max.words=500)

#输出词云

在R语言环境中运行如上代码，可以输出类似图1的词云图，其中的字大小代表了该词组的频道信息，越大的字词频道越高。

图1骆驼祥子的词云图