企业官网建设流程全解析

Gephi 可视化 + NetworkX 网络分析——《釜山行》人物关系（三）

标签:Gephi|NetworkX|Python3|matplotlib|网络可视化|人物关系
实验环境: 华为云 FlexusX / Ubuntu 24.04 / Python 3.12.3
分析节点: node-03（公网 124.70.105.142）
可视化节点: node-04（公网 120.46.44.194）

1. 本文目标

1. 在node-03用 NetworkX 构建无向图，计算常见网络指标；
2. 导出.gexf/.graphml格式，供 Gephi 导入；
3. 在node-04用 matplotlib 生成静态可视化图；
4. 演示 Gephi 安装和导入流程；
5. 对结果进行解读。

2. NetworkX 网络分析（node-03）

2.1 代码（busan_network.py）

#!/usr/bin/env python3importnetworkxasnximportjson# 读取节点和边nodes=[]withopen("/root/nodes.csv","r",encoding="utf-8")asf:forlineinf.readlines()[1:]:parts=line.strip().split(",")nodes.append({"id":parts[0],"label":parts[1],"weight":int(parts[2])})edges=[]withopen("/root/edges.csv","r",encoding="utf-8")asf:forlineinf.readlines()[1:]:parts=line.strip().split(",")edges.append({"source":parts[0],"target":parts[1],"weight":int(parts[2])})# 构建无向图G=nx.Graph()fornodeinnodes:G.add_node(node["id"],label=node["label"],weight=node["weight"])foredgeinedges:G.add_edge(edge["source"],edge["target"],weight=edge["weight"])# 计算指标degree_centrality=nx.degree_centrality(G)betweenness_centrality=nx.betweenness_centrality(G)closeness_centrality=nx.closeness_centrality(G)eigenvector_centrality=nx.eigenvector_centrality(G,max_iter=1000)clustering=nx.clustering(G)density=nx.density(G)avg_path=nx.average_shortest_path_length(G)# 指标写入节点属性fornodeinG.nodes():G.nodes[node]["degree_centrality"]=round(degree_centrality[node],4)G.nodes[node]["betweenness_centrality"]=round(betweenness_centrality[node],4)G.nodes[node]["closeness_centrality"]=round(closeness_centrality[node],4)G.nodes[node]["eigenvector_centrality"]=round(eigenvector_centrality[node],4)G.nodes[node]["clustering"]=round(clustering[node],4)# 导出 Gephi 格式nx.write_gexf(G,"/root/busan_network.gexf")nx.write_graphml(G,"/root/busan_network.graphml")stats={"nodes":len(nodes),"edges":len(edges),"density":round(density,4),"avg_path_length":round(avg_path,4),"degree_centrality":{k:round(v,4)fork,vindegree_centrality.items()},"betweenness_centrality":{k:round(v,4)fork,vinbetweenness_centrality.items()},"closeness_centrality":{k:round(v,4)fork,vincloseness_centrality.items()},"eigenvector_centrality":{k:round(v,4)fork,vineigenvector_centrality.items()},}withopen("/root/network_stats.json","w",encoding="utf-8")asf:json.dump(stats,f,ensure_ascii=False,indent=2)

2.2 真实服务器输出

root@ecs-11e6-0003:~# cd /root && python3 busan_network.py ============================================================ 步骤1: 读取节点和边数据 ============================================================ 节点数: 11 边数: 55 ============================================================ 步骤2: 构建NetworkX无向图 ============================================================ 图节点数: 11 图边数: 55 ============================================================ 步骤3: 计算网络拓扑指标 ============================================================ --- 度中心性 (Degree Centrality) --- 石宇: 1.0000 秀安: 1.0000 尚华: 1.0000 盛京: 1.0000 珍熙: 1.0000 英国: 1.0000 容国: 1.0000 老姐姐: 1.0000 老妹妹: 1.0000 乞丐: 1.0000 列车长: 1.0000 --- 介数中心性 (Betweenness Centrality) --- 石宇: 0.0000 ... 列车长: 0.0000 --- 接近中心性 (Closeness Centrality) --- 石宇: 1.0000 ... 列车长: 1.0000 --- 特征向量中心性 (Eigenvector Centrality) --- 石宇: 0.3015 ... 列车长: 0.3015 --- 聚类系数 (Clustering Coefficient) --- 石宇: 1.0000 ... 列车长: 1.0000 网络密度 (Density): 1.0000 平均最短路径长度: 1.0000

2.3 指标解释

可见，当文本较短、所有人物都相互共现时，NetworkX 的拓扑指标会全部拉满。因此真正有用的信息是边权重（共现次数），而非二值网络的拓扑结构。下面的可视化将突出边权重。

3. matplotlib 静态可视化（node-04）

3.1 全图可视化

busan_visualize.py读取busan_network.gexf，使用 Spring 布局渲染，得到：

节点大小 = 出现频次；节点颜色 = 出现频次；边宽度 = 共现次数；白色标签为边权重。

3.2 人物频次图

3.3 中心性指标对比图

从图中可见度中心性、接近中心性、聚类系数均为 1，介数中心性均为 0，再一次验证“完全图”结论。

3.4 过滤核心网络（权重 >= 7）

为了突出核心关系，新增busan_visualize_filtered.py，只保留共现次数 ≥ 7 的边：

THRESHOLD=7G=nx.Graph()fornode,attrinG_full.nodes(data=True):G.add_node(node,**attr)foru,v,attrinG_full.edges(data=True):ifattr.get("weight",0)>=THRESHOLD:G.add_edge(u,v,weight=attr["weight"])

输出结果：

过滤阈值: >= 7 节点数: 11, 边数: 24

过滤后，核心人物被聚成紧密社群，而老姐姐、老妹妹、列车长因共现次数低于阈值而孤立，直观说明她们在叙事中相对边缘。

3.5 核心关系表

Top 核心关系集中在：

• 石宇 ↔ 秀安（父女，12）
• 石宇 ↔ 盛京（共同保护秀安，11）
• 秀安 ↔ 盛京（被共同保护，11）
• 石宇 ↔ 尚华（并肩作战，9）
• 尚华 ↔ 盛京（夫妻，9）
• 珍熙 ↔ 容国（恋人，9）

这与电影剧情高度吻合。

4. Gephi 安装与导入流程

4.1 安装 OpenJDK 17

Gephi 是 Java 桌面程序，需要 JDK 17：

apt-getupdate-qqapt-getinstall-yopenjdk-17-jdk

4.2 下载 Gephi

wgethttps://github.com/gephi/gephi/releases/download/v0.10.1/gephi-0.10.1-linux-x64.tar.gzsudotarxzf gephi-0.10.1-linux-x64.tar.gz-C/opt

如果 GitHub 下载慢，可以先把安装包本地下载再 SCP 到服务器。

4.3 导入 GEXF

1. 打开 Gephi →数据实验室→导入电子表格；
2. 选择nodes.csv，导入为节点表；
3. 选择edges.csv，导入为边表；
4. 或直接文件 → 打开，选择busan_network.gexf。

4.4 推荐布局与样式设置

5. 踩坑总结

6. 三篇完整输出文件

7. 总结

本项目通过 4 台服务器完整演示了：

1. 共现网络的理论和构建方法；
2. jieba分词与自定义词典；
3. NetworkX网络指标计算；
4. GEXF导出与Gephi导入流程；
5. matplotlib静态可视化与权重过滤技巧。

从《釜山行》人物关系中提取到的核心社群与电影剧情一致，验证了共现网络方法在文本人物关系挖掘上的有效性。

8. 参考

• jieba：https://github.com/fxsjy/jieba
• NetworkX：https://networkx.org/documentation/stable/
• Gephi：https://gephi.org/
• matplotlib：https://matplotlib.org/