提取重点词语的程序通常包括以下几个步骤：
文本预处理
清洗数据，去除特殊字符、停用词和标点符号，并将文本转换为小写形式。
分词处理
将文本划分为单词或短语，以便后续处理和分析。
词频统计
统计每个单词在文章中出现的频率，以确定其重要性。
去除停用词
筛选掉出现频率高但无实际意义的停用词，以便更好地提取关键词。
关键词提取
利用算法或模型（如TF-IDF、TextRank等）提取出文章的核心要点。
关键词排序
根据关键词在文章中的重要性进行排序，将最重要的关键词放在前面。
结果展示
将提取出的关键词呈现给读者或用于其他应用。
代码示例
```python
import jieba
import re
import networkx as nx
def split_sentences（text）:
text = re.sub（'（[｡!？\？]）（[^"']）', r"\1\n\2", text）
text = re.sub（'（\.{6}）（[^"']）', r"\1\n\2", text）
text = re.sub（'（\…{2}）（[^"']）', r"\1\n\2", text）
text = re.sub（'（[｡!？\？]["']）（[^,｡!？\？]）', r'\1\n\2', text）
return [s.strip（） for s in text.split（"\n"） if s.strip（）]
def extract_keywords_using_jieba（text）:
sentences = split_sentences（text）
words = [list（jieba.cut（s）） for s in sentences]
return words
示例文本
text = """Python是一门优秀的编程语言。"""
keywords = extract_keywords_using_jieba（text）
print（keywords）
```
推荐工具
对于更复杂的需求，可以使用一些现成的工具和库，如：
NLTK：
自然语言处理工具包，提供分词、词性标注等功能。
Gensim：
用于主题建模和文本相似度计算。
TextRank：
基于图的排序算法，用于从文本中提取关键词和进行自动摘要。
这些工具和库可以帮助你更高效地提取文本中的重点词语。