创建按钮

search_button = tk.Button(window, text='搜索', command=on_search)

创建结果文本框

result_text = tk.Text(window, height=20)

该回答引用chatgpt:

import tkinter as tk
import calendar

def display_calendar(year, month):
    cal = calendar.month(year, month)
    result_text.delete("1.0", tk.END)  # 清空文本框内容
    result_text.insert(tk.END, cal)

def on_search():
    year = int(year_entry.get())
    month = int(month_entry.get())
    display_calendar(year, month)

window = tk.Tk()

# 创建年份输入框和标签
year_label = tk.Label(window, text="年份:")
year_label.pack()
year_entry = tk.Entry(window)
year_entry.pack()

# 创建月份输入框和标签
month_label = tk.Label(window, text="月份:")
month_label.pack()
month_entry = tk.Entry(window)
month_entry.pack()

# 创建搜索按钮
search_button = tk.Button(window, text='搜索', command=on_search)
search_button.pack()

# 创建结果文本框
result_text = tk.Text(window, height=20)
result_text.pack()

window.mainloop()

试下

import tkinter as tk
import calendar

# 用于在文本框中显示搜索结果
def on_search():
    year = int(year_input.get())
    calendar.setfirstweekday(calendar.SUNDAY)
    cal = calendar.calendar(year)
    result_text.delete(1.0, tk.END) # 清空文本框
    result_text.insert(tk.END, cal)


# 创建主窗口
window = tk.Tk()
window.title('日历查询')
window.geometry('400x400')

# 创建标签（说明文字）
year_label = tk.Label(window, text="请输入年份：", font=('Arial', 12))
year_label.grid(row=0, column=0)

# 创建输入框
year_input = tk.Entry(window)
year_input.grid(row=0, column=1)

# 创建搜索按钮
search_button = tk.Button(window, text='搜索', command=on_search)
search_button.grid(row=0, column=2)

# 创建文本框
result_text = tk.Text(window, height=20)
result_text.grid(row=1, columnspan=3)

# 启动主循环
window.mainloop()

• 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/734732
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：简单的实现爬虫爬取网页文本和图片
• 除此之外, 这篇博客: 【人工智能项目】机器学习中文垃圾邮件分类任务中的 文本特征介绍 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 文本特征提取

  • 将文本数据转换成特征向量的过程
  • 比较常用的文本特征表示法为词袋法

  词袋法：

  • 不考虑词语出现的顺序，每个出现过的词汇单独作为一列特征
  • 这些不重复的特征词汇集合为词表
  • 每一个文本都可以在很长的词表上统计出一个很多列的特征向量
  • 如果每个文本都出现的词汇，一般被标记为停用词 不计入特征向量

  主要有两个api来实现CounterVectorizer和TfidfVectorizer

  CountVectorizer:

  • 只考虑词汇在文本中出现的频率

  TfidfVectorizer:

  • 除了考量某词汇在文本出现的频率，还关注包含这个词汇的所有文本的数量
  • 能够消减高频没有意义的词汇出现带来的影响，挖掘更有意义的特征。
• 您还可以看一下 纪佳琪老师的机器学习之支持向量机理论与代码实践课程中的 拉格朗日乘子法求等式约束条件下函数极值小节, 巩固相关知识点