用Python把《问道武当》9集纪录片变成数据!语音识别+词频分析+知识图谱全链路

作为一个程序员，看纪录片不只是看剧情

我突发奇想：能不能用技术手段"拆解"一部纪录片？

于是有了这个项目——用Python对《问道武当》9集纪录片做全量文本分析

🔧 完整技术栈一览：

第一步：视频 → 音频提取

MKV格式的9集纪录片，每集约44分钟

用ffmpeg批量抽取音频为WAV文件

这一步最简单，一条命令搞定

第二步：音频 → 文字转换

这是核心技术环节！用的是faster-whisper

OpenAI Whisper的优化版本，速度提升4倍以上

关键配置：GPU加速 + CUDA float16精度

RTX 5060 Ti跑下来，每集约55秒完成识别

第三步：繁体 → 简体中文

Whisper输出的是繁体中文（纪录片原声是粤语配音）

用zhconv库一键转换，超轻量级方案

不需要任何额外数据文件

第四步：中文分词 + 词性标注

jieba分词大家应该都用过

但这里用了jieba.posseg做词性标注

能区分名词、动词、地名、人名等20多种词性

这对后续分析至关重要——比如只统计"人名"就能提取所有历史人物

第五步：统计分析 + 可视化

词频统计、Zipf定律验证、词性饼图

pyecharts生成交互式图表（鼠标悬浮看详情）

matplotlib生成静态图（词云、柱状图）

wordcloud生成艺术化词云图

第六步：知识图谱构建

基于词语共现关系构建网络

用networkx计算节点中心度

再用pyecharts Graph渲染交互式知识图谱

最终发现武当山是整个网络的绝对核心节点

📊 最终成果数据：

9集纪录片 → 52,475字符纯文本

分词后14,350个有效词汇

独立词汇5,803个

产出7张图表 + 2个交互式HTML + 1份知识图谱

🤯 最有价值的发现：

通过数据分析发现"皇帝"出现140次断层第一

永乐帝被提及45次，是武当山最大的"项目投资人"

知识图谱显示武当山同时连接政治、宗教、建筑、历史四大领域

这不是简单的数据处理

而是用代码的方式重新"阅读"一部纪录片

看到肉眼看不到的模式和关联 ✨