Python歌词文本分析实战：中文分词、词频统计、情感分析与词云可视化

最近在整理歌曲数据时，发现不少朋友对“歌名热度”“歌词高频词”“情感倾向”这类分析很感兴趣。正好《思念漫过海岸线》这首歌在网络上讨论不断，相关话题也比较热，我便以它为例，完整跑通了一套“从零搭建歌曲歌词文本分析与可视化工具”的流程。

这篇文章不是单纯讲解某一个 API，而是从需求出发，把整个小项目的设计思路、环境准备、代码实现、运行效果和常见坑点串起来。零基础的同学可以跟着一步步搭建，有一定 Python 经验的开发者也能直接复用其中分词、统计、词云生成和情感分析的模块。

全文会围绕五个关键词展开：歌词数据整理、中文分词、词频统计、词云可视化、情感分析。整体技术栈以 Python 为主，依赖库尽量选轻量且社区活跃的，方便你在本地快速复现。

1. 背景与核心概念

1.1 为什么要做歌词文本分析

歌曲信息不仅仅是“歌手 + 歌名 + 时长”，实际上还有大量可挖掘的文本数据。歌词就是最典型的一种。通过歌词分析，我们可以回答很多有意思的问题，例如：一首歌的歌词里最常出现的词汇是什么？整体情绪是偏伤感还是偏温暖？不同歌手的用词习惯有没有差异？新歌的宣传文案里，哪些关键词最容易被听众讨论？

这些问题看起来偏产品运营，但落到技术上，本质上都是一个流程：文本清洗、分词、特征统计、可视化展示。

1.2 文本分析与中文分词的基本概念

文本分析，就是把一段自然语言文本转化为可计算的数据。英文文本天然用空格分隔，处理起来相对简单，而中文文本没有空格，所以第一步必须先做中文分词。

中文分词，简单理解就是把“思念漫过海岸线”拆成“思念 / 漫过 / 海岸线”。常用的工具是 jieba 分词库，它支持精确模式、全模式和搜索引擎模式。在歌词分析场景中，一般使用精确模式即可，因为它适合做文本分析，不会把句子拆得太碎。

1.3 词频统计与词云

词频统计就是统计每个词在文本中出现的次数。词频高，说明这个词在整首歌词里反复出现，通常是歌手想表达的核心意象。

词云是词频统计的可视化表达，词越大表示出现次数越多。很多人以为词云只是一个花哨的图片，实际上它是快速理解一篇文章主题分布的高效工具。

1.4 情感分析

情感分析是判断一段文本表达的情绪倾向。简单版本输出三个值：正面、负面、中性。在歌词场景里，情感分析可以帮助我们判断一首歌是“治愈型”还是“伤感型”。

这里需要说明，开源情感分析库并不完美，它更适用于一般性文本的粗粒度判断。歌词往往带有隐喻、意象、修辞，所以分析结果只能作为参考，不能作为绝对结论。

2. 环境准备与版本说明

2.1 操作系统与 Python 版本

本文示例在 Windows 11 和 macOS 上都可运行，Linux 也没有问题。Python 建议使用 3.8 及以上版本，我本机使用 Python 3.10，重点演示配置思路，版本需要根据你的项目实际情况调整。

2.2 需要安装的 Python 库

先创建一个项目目录，然后在命令行中执行以下命令：

pip install jieba wordcloud snownlp flask pandas

各库的作用如下：

如果安装速度较慢，可以临时使用国内镜像源：

pip install jieba wordcloud snownlp flask pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

2.3 示例项目结构

建议按下面的目录结构组织代码，数据和代码分离，方便维护：

song-analysis/ ├── data/ │ ├── lyrics.csv │ └── stopwords.txt ├── src/ │ ├── analyze.py │ ├── wordcloud_gen.py │ └── sentiment.py ├── output/ │ ├── word_freq.csv │ ├── wordcloud.png │ └── sentiment_result.csv ├── app.py └── templates/ └── index.html

3. 核心原理与实现思路

3.1 歌词数据的格式设计

因为本文不涉及真实爬虫采集，所以先把歌词整理成 CSV 文件。每一行包含三个字段：song_name、singer、lyrics。lyrics 字段里存放整段歌词文本。

示例数据中会以《思念漫过海岸线》作为主要分析对象，为了演示分词和统计效果，我会加入一些表达思念、海浪、海岸、时间等意象的歌词片段。

这里要特别强调一下版权问题：示例歌词片段仅用于学习演示，不保证与正式歌词完全一致，也不能用于商业用途。如果你要分析真实歌曲，请确认已经获得版权方授权。

3.2 中文分词与停用词过滤

分词只是第一步，分词后还要过滤停用词。停用词指的是“的、了、我、你、他”这类没有实际语义、但出现频率很高的词。如果不加过滤，词频统计结果会被这些虚词刷屏，无法体现歌词主题。

停用词表可以自己维护，也可以使用开源停用词表。本文在 data/stopwords.txt 中手动维护一小部分，后续可以按需扩充。

3.3 词云生成的中文字体问题

wordcloud 库处理中文时必须指定中文字体文件，否则图上会显示乱码方块。Windows 系统一般自带 simhei.ttf 或 msyh.ttc，位置通常在 C:/Windows/Fonts 下。Linux 服务器需要提前安装中文字体，或者直接指定一个存在的字体文件路径。

3.4 Flask 展示逻辑

Flask 部分不需要写得复杂，只需要实现一个路由，读取分析结果文件，渲染到 HTML 页面即可。这样整个项目既能在命令行跑出结果，也能提供一个简单的可视化页面。

4. 完整实战案例

4.1 准备歌词数据文件

在项目目录下创建 data/lyrics.csv，内容如下：

song_name,singer,lyrics 思念漫过海岸线,欢子,思念漫过海岸线 晚风轻轻吹过我的脸 浪花拍打着回忆 你的背影渐行渐远 想说的话搁浅在嘴边 潮起潮落又是一年 曾经拥抱过的温度 早已随风慢慢变淡 海风来信,示例歌手,海风把思念吹向你 我站在灯塔下等黎明 潮水带走了约定 沙滩上只剩下脚印 听海,示例歌手,写信告诉我今天海是什么颜色 夜夜陪着你的海 心情又如何 灰色是不想说 蓝色是忧郁 空白格,示例歌手,其实很简单 其实很自然 两个人的爱由两人分担 我们都不够勇敢 老街,示例歌手,一张褪色的照片 好像带给我一点点怀念 巷尾老爷爷卖的热汤面 味道弥漫过旧旧的后院

如果你有更多真实数据，可以直接追加行。注意 CSV 中如果歌词内容里出现逗号，需要用英文双引号包裹整个字段，避免解析错位。

4.2 准备停用词表

创建 data/stopwords.txt：

的 了 我 你 他 她 它 我们 你们 他们 着 过 在 是 把 被 让

4.3 编写分词与词频统计模块

在 src/analyze.py 中实现核心逻辑。这个模块负责读取 CSV、分词、过滤停用词、统计词频，并输出结果文件。

# 文件路径：src/analyze.py import csv import jieba from collections import Counter def load_stopwords(path): stopwords = set() with open(path, encoding="utf-8") as f: for line in f: word = line.strip() if word: stopwords.add(word) return stopwords def load_lyrics(path): lyrics_list = [] with open(path, encoding="utf-8") as f: reader = csv.DictReader(f) for row in reader: lyrics_list.append({ "song_name": row["song_name"], "singer": row["singer"], "lyrics": row["lyrics"] }) return lyrics_list def analyze_lyrics(lyrics_list, stopwords_path): stopwords = load_stopwords(stopwords_path) word_counter = Counter() song_word_counter = {} for item in lyrics_list: words = jieba.lcut(item["lyrics"]) filtered_words = [ w.strip() for w in words if w.strip() and w.strip() not in stopwords ] word_counter.update(filtered_words) song_word_counter[item["song_name"]] = Counter(filtered_words) return word_counter, song_word_counter def save_word_freq(counter, output_path, top_n=50): with open(output_path, "w", encoding="utf-8", newline="") as f: writer = csv.writer(f) writer.writerow(["word", "count"]) for word, count in counter.most_common(top_n): writer.writerow([word, count]) if __name__ == "__main__": lyrics = load_lyrics("data/lyrics.csv") word_counter, song_word_counter = analyze_lyrics(lyrics, "data/stopwords.txt") save_word_freq(word_counter, "output/word_freq.csv", top_n=50) print("词频统计完成，结果已保存到 output/word_freq.csv")

运行方式：

python src/analyze.py

运行后会看到一句输出：

词频统计完成，结果已保存到 output/word_freq.csv

此时打开 output/word_freq.csv，会看到类似下面的内容：

word,count 思念,2 海岸线,1 晚风,1 轻轻,1 吹过,1 ...

需要特别说明，jieba 的切分结果会受到词典和文本语境影响，不同 jieba 版本可能产出不同切分结果。比如“思念漫过海岸线”在个别版本中可能被切成“思念 / 漫过 / 海岸线”，也可能被切成“思念 / 漫 / 过 / 海岸线”，这并不一定是代码错误，可以手动把词语添加进自定义词典来解决。

4.4 编写情感分析模块

在 src/sentiment.py 中实现对每首歌的情感倾向分析。这里使用 snownlp 的分值和情感类别判断逻辑。

# 文件路径：src/sentiment.py import csv from snownlp import SnowNLP def load_lyrics(path): lyrics_list = [] with open(path, encoding="utf-8") as f: reader = csv.DictReader(f) for row in reader: lyrics_list.append({ "song_name": row["song_name"], "singer": row["singer"], "lyrics": row["lyrics"] }) return lyrics_list def get_sentiment_category(score): if score >= 0.6: return "正面" if score <= 0.4: return "负面" return "中性" def analyze_sentiments(lyrics_list): results = [] for item in lyrics_list: s = SnowNLP(item["lyrics"]) score = s.sentiments category = get_sentiment_category(score) results.append({ "song_name": item["song_name"], "singer": item["singer"], "sentiment_score": round(score, 4), "sentiment_category": category }) return results def save_results(results, output_path): with open(output_path, "w", encoding="utf-8", newline="") as f: writer = csv.DictWriter(f, fieldnames=["song_name", "singer", "sentiment_score", "sentiment_category"]) writer.writeheader() writer.writerows(results) if __name__ == "__main__": lyrics = load_lyrics("data/lyrics.csv") results = analyze_sentiments(lyrics) save_results(results, "output/sentiment_result.csv") for r in results: print(r)

运行方式：

python src/sentiment.py

预期输出大概是：

{'song_name': '思念漫过海岸线', 'singer': '欢子', 'sentiment_score': 0.3124, 'sentiment_category': '负面'} {'song_name': '海风来信', 'singer': '示例歌手', 'sentiment_score': 0.4213, 'sentiment_category': '中性'} ...

分数是 0 到 1 之间的小数，越接近 1 表示正面倾向越强，越接近 0 表示负面倾向越强。不同库的分值含义会有差异，使用前建议先读清楚文档。

4.5 编写词云生成模块

在 src/wordcloud_gen.py 中实现词云生成。为了避免词云图里混入无意义词汇，这里同样需要过滤停用词。

# 文件路径：src/wordcloud_gen.py import csv import jieba from collections import Counter from wordcloud import WordCloud STOPWORDS_PATH = "data/stopwords.txt" FONT_PATH = "C:/Windows/Fonts/simhei.ttf" def load_stopwords(path): stopwords = set() with open(path, encoding="utf-8") as f: for line in f: word = line.strip() if word: stopwords.add(word) return stopwords def collect_words(path, stopwords): words = [] with open(path, encoding="utf-8") as f: reader = csv.DictReader(f) for row in reader: word_list = jieba.lcut(row["lyrics"]) words.extend([ w.strip() for w in word_list if w.strip() and w.strip() not in stopwords ]) return " ".join(words) if __name__ == "__main__": stopwords = load_stopwords(STOPWORDS_PATH) text = collect_words("data/lyrics.csv", stopwords) wc = WordCloud( font_path=FONT_PATH, width=800, height=600, background_color="white", max_words=100, stopwords=stopwords ) wc.generate(text) wc.to_file("output/wordcloud.png") print("词云已生成：output/wordcloud.png")

如果你的系统字体路径不是 simhei.ttf，请改成实际存在的字体文件路径。macOS 可以尝试：

FONT_PATH = "/System/Library/Fonts/PingFang.ttc"

Linux 如果没有中文字体，可以先用 fc-list 查看系统中文字体路径，再替换。

4.6 编写 Flask 展示页面

在 app.py 中实现一个简单的 Web 页面，展示词频表和情感分析结果。为了简单，这里直接读取 CSV 文件并在页面中渲染表格。

# 文件路径：app.py import csv from flask import Flask, render_template app = Flask(__name__) def read_csv_rows(path): rows = [] with open(path, encoding="utf-8") as f: reader = csv.DictReader(f) for row in reader: rows.append(row) return rows @app.route("/") def index(): word_rows = read_csv_rows("output/word_freq.csv") sentiment_rows = read_csv_rows("output/sentiment_result.csv") return render_template( "index.html", word_rows=word_rows, sentiment_rows=sentiment_rows ) if __name__ == "__main__": app.run(debug=True, port=5000)

templates/index.html 内容如下：

<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <title>歌曲歌词分析结果</title> <style> body { font-family: Arial, "Microsoft YaHei", sans-serif; margin: 40px; } table { border-collapse: collapse; width: 100%; margin-bottom: 30px; } th, td { border: 1px solid #ddd; padding: 8px; text-align: left; } th { background-color: #f5f5f5; } img { max-width: 100%; } </style> </head> <body> <h1>歌曲歌词分析结果</h1> <h2>词频统计</h2> <table> <tr> <th>序号</th> <th>词语</th> <th>次数</th> </tr> {% for row in word_rows %} <tr> <td>{{ loop.index }}</td> <td>{{ row["word"] }}</td> <td>{{ row["count"] }}</td> </tr> {% endfor %} </table> <h2>情感分析</h2> <table> <tr> <th>歌曲</th> <th>歌手</th> <th>情感分值</th> <th>情感类别</th> </tr> {% for row in sentiment_rows %} <tr> <td>{{ row["song_name"] }}</td> <td>{{ row["singer"] }}</td> <td>{{ row["sentiment_score"] }}</td> <td>{{ row["sentiment_category"] }}</td> </tr> {% endfor %} </table> <h2>词云图</h2> <img src="/static/wordcloud.png" alt="词云"> </body> </html>

这里为了展示词云图，需要再补充一个静态文件映射。可以把 output/wordcloud.png 复制到 static/ 目录，或者在 app.py 中增加静态路由。推荐直接项目根目录下创建 static 文件夹，然后把图片放进去。修改 index.html 中的图片地址为 /static/wordcloud.png 即可。

4.7 运行与验证

依次执行以下命令：

python src/analyze.py python src/sentiment.py python src/wordcloud_gen.py python app.py

打开浏览器访问 http://127.0.0.1:5000，即可看到词频表和情感分析结果。词云图需要在 static 目录中放置后才能正常显示。如果暂时不想用 Flask，也可以直接查看 output 目录下生成的文件。

整个流程完成之后，你拿到的东西是：

• 一份词频统计 CSV
• 一份情感分析 CSV
• 一张词云图片
• 一个本地 Web 展示页面

这套代码稍加改造，就能扩展成“某个歌手全部歌曲分析”“热门歌曲榜单对比”“某关键词在不同歌曲中的分布”等更复杂的功能。

5. 常见问题与排查思路

5.1 词云图显示乱码方块

5.2 jieba 分词不准确怎么办

jieba 支持自定义词典。在代码中引入 jieba 后，可以在分词前执行：

import jieba jieba.add_word("思念漫过海岸线") jieba.add_word("海岸线")

也可以把自定义词典保存到文件，再使用 jieba.load_userdict 加载。项目实践里，建议把歌名、歌手名、特殊意象词都提前加入自定义词典，这样统计结果更符合预期。

5.3 snownlp 情感分析结果与主观判断不一致

这是一个非常正常的现象。歌词文本有大量象征性表达，snownlp 是基于朴素贝叶斯训练的通用情感模型，它无法理解复杂的文学修辞。因此不要把情感分析结果当作绝对结论，而应该把它理解为“基于当前模型的一种量化参考”。

如果你需要更准确的结果，可以考虑：

• 收集一定量已标注情感类别的歌词样本，训练自己的分类器。
• 使用大语言模型接口进行文本情感判断，但要注意成本、隐私和数据合规。
• 结合人工抽样复核，保证最终报告可信。

5.4 CSV 中出现乱码

检查文件是否为 UTF-8 编码。Windows 上如果使用 Excel 直接打开 CSV，可能会出现中文乱码，但用记事本或 VSCode 打开通常正常。如果一定要用 Excel 打开不乱码，可以改用 UTF-8 with BOM 编码保存 CSV，但 Python 读取时需要做相应处理。实际项目中，我习惯统一使用 UTF-8，代码里显式指定 encoding="utf-8"，避免不同平台默认编码不一致。

5.5 Flask 静态图片缓存问题

如果你多次生成新的词云图，浏览器可能还会显示旧图。这是因为浏览器缓存了静态资源。解决方案是修改图片 URL，例如增加版本号：

<img src="/static/wordcloud.png?v={{ timestamp }}" alt="词云">

在 Flask 中传入 timestamp 参数即可。

6. 最佳实践与工程建议

6.1 数据与代码分离

无论是歌词文本还是停用词表，都应该放在独立的数据目录中，不要硬编码在 Python 文件里。这样后续更换数据源、扩充语料、调整停用词都不需要改动核心代码。配置项，比如字体路径、输出目录，也建议集中放在一个 config.py 或配置文件中。

6.2 输出结果文件化

分析任务跑完以后，把结果写成本地文件，是一个很方便的习惯。词频 CSV、情感分析 CSV、词云 PNG，这些中间产物既方便后续人工检查，也可以被其他模块直接读取。如果每次分析完只把结果打印在控制台，数据量大了以后很难追溯。

6.3 异常处理与日志记录

在完整项目里，建议给文件读取、分词、生成图片等环节添加 try-except，并记录日志。比如：

import logging logging.basicConfig(level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s") try: wc.generate(text) except Exception as e: logging.error("词云生成失败：%s", e)

日志能帮你快速定位问题，在批量处理几十上百首歌时尤其重要。

6.4 数据版权与合规

歌词是有版权的。如果只是个人学习，用少量片段做文本分析通常问题不大，但如果要公开发布分析报告，尤其是用大量歌曲歌词做数据展示，务必确认是否获得版权授权。从网络采集数据时，还要遵守目标网站的 robots 协议、平台服务条款，不能对服务器造成压力，也不能绕过访问控制。

6.5 安全边界

如果你的 Flask 应用需要部署到公网，需要注意：

• 不要开启 debug 模式。
• 限制访问来源，避免被任意调用。
• 对上传文件类功能保持警惕，防止恶意文件。
• 不要把敏感信息写在 HTML 或日志里。

本地学习环境可以随意一些，生产环境必须按最小权限原则配置。

6.6 性能优化方向

当前示例数据量很小，执行速度很快。但如果歌词数量达到几万首，直接使用 Counter 和单线程循环就会变慢。可以考虑按歌手分桶统计、使用 pandas 向量化处理，或者引入 Redis 缓存高频统计结果。词云生成也可以离线批量处理，不需要每次请求都重新计算。

6.7 可扩展功能

这个项目继续做下去，可以有这些方向：

• 添加歌曲热度数据，分析热度与歌词情感之间的相关性。
• 对比歌手的历代作品用词变化。
• 对歌词时间特征做统计分析。
• 把分析结果接入定时任务，实现自动周报。

7. 总结与学习路线

通过这个实战项目，你掌握了歌词文本分析的完整链路：CSV 数据整理、jieba 中文分词、停用词过滤、词频统计、snownlp 情感分析和 wordcloud 可视化，以及 Flask 基础展示。这个链路不只是适用于歌曲，任何中文文本内容都可以复用，例如文章段落、用户评论、产品反馈。

初学者下一步可以按三个方向深入。

第一个方向是自然语言处理基础。系统学习 jieba 的自定义词典、TF-IDF 关键词提取、文本向量化方法，这些是后续做文本分类和文本匹配的基础。第二个方向是数据可视化。除了词云，还可以用 matplotlib、pyecharts 做柱状图、折线图、关系图，让分析报告更直观。第三个方向是后端工程化。把当前脚本改造成 Flask API，增加参数控制，比如指定歌曲名、指定输出路径、返回 JSON 格式的分析结果，这样就能接入更完整的业务系统。

实际项目中优先关注的还是数据合规和结果可靠性。情绪分析模型不是万能的，歌词修辞又比较特殊，建议先小范围验证，再决定是否自动化输出结论。如果手头正好有喜欢的歌，不妨把歌词片段整理成 CSV，替换到项目里跑一遍，观察高频词是否和你的听感一致。

如果本文对你的项目搭建有参考价值，可以先收藏备用。后面遇到分词不准、字体乱码、页面静态资源不显示等问题，回到第 5 节按表格排查即可。