在自然語言處理中，詞袋模型被廣泛應用于文本分類、輿情分析、信息檢索等任務，能夠將文本轉化為向量表示，實現機器學習的自動分類、聚類任務。

Python語言中有很多開源的文本處理庫，例如nltk、gensim，這里我們以nltk為例，介紹如何使用Python抽取文本的詞袋。

# 導入nltk庫
import nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from collections import Counter
# 讀取文本
text = "Python是一種面向對象、解釋型計算機程序設計語言。是一門大眾化的語言，因為其代碼易讀、書寫簡潔，廣泛應用于各種領域。"
# 分詞
tokens = word_tokenize(text)
# 停用詞過濾
stopwords = stopwords.words('english')
filtered_tokens = [word for word in tokens if word.lower() not in stopwords]
# 詞頻統計
word_counter = Counter(filtered_tokens)
print(word_counter)

以上代碼中，我們首先導入了nltk庫，并使用其中的word_tokenize函數將文本分成單詞，接著使用nltk中的stopwords過濾掉常用詞，避免影響詞袋的特征提取。最后使用Python的Counter類實現了詞頻的統計，即得到了文本的詞袋。

這里我們對“Python是一門大眾化的語言，因為其代碼易讀、書寫簡潔，廣泛應用于各種領域。”進行了處理，得到的詞袋為Counter({'Python': 1, '面向對象': 1, '解釋型': 1, '計算機程序設計語言': 1, '大眾化': 1, '代碼': 1, '易讀': 1, '書寫': 1, '簡潔': 1, '廣泛': 1, '應用': 1, '領域': 1})。

詞袋模型抽取了文本中的關鍵詞信息，能夠使得機器更好地理解文本內容，從而在文本分類、聚類等任務中發揮重要作用。