简述：总的分析思路图
BlogID: [Py08]
简述：按照前述处理得到的关键词、人名、地名等字段，获取一个集合的对应词集，计算共现矩阵，并通过Gephi绘制网络关系图。
BlogID: [Py09061]
简述：在DP06中绘制的是词频前200的词云、词频图。而且用的不是TF-IDF算法得到的关键词。这里是TF-IDF得到的关键词，绘制的是全部的词云、词频图。
BlogID: [Py09031]
简述：用多进程处理每个集合（每小时数据），获取每个集合在每个小时的关键词字段，并统计词频。这里的关键词是基于TF-IDF关键词提取算法获得的，处理程序@BlogID: [Py08281]。
BlogID: [Py09021]
简述：希望客观掌握目前顶级刊物的研究热点，同时为了找到与目前处理的数据相关的刊物，写了这个处理过程，以此提高后续工作效率。
BlogID: [Py08301]
简述：Python的多线程不像Java那样，无法同时处理多任务，耗时很久。然而处理数据的过程会不断产生新想法，随即需要进行批处理。考虑后期处理数据的效率问题，所以采用多进程处理思路。程序获取的关键词数据基于TF-IDF，人名、地名数据基于jieba的词性标注功能。
BlogID: [Py08281]
简述：从统计出的高频词变量中，依次按时间走向读取数据，绘制词频图和词云图。（词频图进行了粗略的展示，后期会针对性地美化）。
BlogID: [Py08181]
简述：从每个小时的发文内容，统计出top200的高频词，统一生成一个字典并保存，方便后续读取和进一步操作
BlogID: [Py08178]
简述：有时候产生的中间变量比较重要/比较大，避免重复执行程序，可以考虑保存变量到文件的方式。（写了两种：以原类型保存 vs 以字符串保存）
BlogID: [Py08177]
简述：使用多线程自动化提取24个集合内的每条记录的各种词汇，并且存入对应记录的指定字段中（全自动执行，可以在未来更高效地更改字段/执行程序）
BlogID: [Py08176]
简述：如果批量处理程序的时候，一个程序跑着，在那里干瞪眼等待，非常低效的。所以需要用多线程，在一个时段同时处理多个集合（比如给多个集合提取关键词）
BlogID: [Py08175]
简述：本次文本处理需要用到的提取话题、提取用户、提取数字、删除对应内容等正则表达式记录
BlogID: [Py08174]
简述：如果批量处理程序的时候，需要使用循环语句，而循环的对象一般是字符串或者单个对象，无法循环某条固定的语句，所以exec()提供了这样的一个功能
BlogID: [Py08173]
简述：将24个小时的博文数据按照时间段（1小时/段）划分为24个集合，并统计出每个时段的博文数量，绘制简图初步观察（内附：自动化处理程序简单演示）
BlogID: [Py08172]
简述：使用Python将.csv文件导入到MongoDB中（内附：①新建字段的感受，②检索问题的收获）
BlogID: [Py08171]
[简述：]
BlogID: [Pyxxxx1]