在Python中，你可以使用多种方法自动提取文本中的关键词。其中一种常见的方法是使用TF-IDF（词频-逆文档频率）算法，这是自然语言处理中常用的一个工具。Python的`sklearn`库提供了这个功能。

以下是一个简单的例子，展示如何使用`sklearn`的`TfidfVectorizer`来提取文本中的关键词：

```python

from sklearn.feature_extraction.text import TfidfVectorizer

import numpy as np

# 你的文本列表

texts = ["这是你的第一段文本", "这是你的第二段文本", "包含一些重复的词和关键词"]

# 初始化TfidfVectorizer

vectorizer = TfidfVectorizer()

# 将文本列表转化为TF-IDF矩阵

tfidf_matrix = vectorizer.fit_transform(texts)

# 获取特征名（即单词）

feature_names = vectorizer.get_feature_names_out()

# 你可以通过查看每个单词的TF-IDF值来找出关键词。但为了简化，我们这里只提取出TF-IDF值最高的几个单词作为关键词。

# 你可以根据需要调整n的值来获取不同数量的关键词

n = 5 # 提取前n个关键词

max_tfidf_indices = np.argsort(tfidf_matrix.toarray(), axis=1)[:, -n:] # 获取每个文档中TF-IDF值最高的n个单词的索引

keywords = [feature_names[i] for i in max_tfidf_indices.flatten()] # 根据索引从特征名中提取出关键词

print(keywords) # 输出关键词

```

这个程序会输出每段文本中TF-IDF值最高的几个单词。这些单词可以被视为该文本的关键词。你可以根据需要调整`n`的值来获取不同数量的关键词。

需要注意的是，这只是一个简单的示例，实际使用时可能需要对文本进行预处理（如分词、去除停用词等），以及根据具体需求调整TF-IDF算法的参数。此外，还有其他更复杂的关键词提取方法，如基于图模型的TextRank算法等。