国产探花免费观看_亚洲丰满少妇自慰呻吟_97日韩有码在线_资源在线日韩欧美_一区二区精品毛片,辰东完美世界有声小说,欢乐颂第一季,yy玄幻小说排行榜完本

首頁(yè) > 編程 > regex > 正文

python實(shí)現(xiàn)統(tǒng)計(jì)漢字/英文單詞數(shù)的正則表達(dá)式

2020-01-20 22:15:29
字體:
來(lái)源:轉(zhuǎn)載
供稿:網(wǎng)友
思路

•使用正則式 "(?x) (?: [/w-]+ | [/x80-/xff]{3} )"獲得utf-8文檔中的英文單詞和漢字的列表。
•使用dictionary來(lái)記錄每個(gè)單詞/漢字出現(xiàn)的頻率,如果出現(xiàn)過(guò)則+1,如果沒(méi)出現(xiàn)則置1。
•將dictionary按照value排序,輸出。

源碼
復(fù)制代碼 代碼如下:

#!/usr/bin/python
# -*- coding: utf-8 -*-
#
#author: rex
#blog: http://iregex.org
#filename counter.py
#created: Mon Sep 20 21:00:52 2010
#desc: convert .py file to html with VIM.

import sys
import re
from operator import itemgetter

def readfile(f):
with file(f,"r") as pFile:
return pFile.read()

def divide(c, regex):
#the regex below is only valid for utf8 coding
return regex.findall(c)


def update_dict(di,li):
for i in li:
if di.has_key(i):
di[i]+=1
else:
di[i]=1
return di

def main():

#receive files from bash
files=sys.argv[1:]

#regex compile only once
regex=re.compile("(?x) (?: [/w-]+ | [/x80-/xff]{3} )")

dict={}

#get all words from files
for f in files:
words=divide(readfile(f), regex)
dict=update_dict(dict, words)

#sort dictionary by value
#dict is now a list.
dict=sorted(dict.items(), key=itemgetter(1), reverse=True)

#output to standard-output
for i in dict:
print i[0], i[1]


if __name__=='__main__':
main()

Tips

由于使用了files=sys.argv[1:] 來(lái)接收參數(shù),因此./counter.py file1 file2 ...可以將參數(shù)指定的文件的詞頻累加計(jì)算輸出。

可以自定義該程序。例如,
•使用
復(fù)制代碼 代碼如下:

regex=re.compile("(?x) ( [/w-]+ | [/x80-/xff]{3} )")
words=[w for w in regex.split(line) if w]


這樣得到的列表是包含分隔符在內(nèi)的單詞列表,方便于以后對(duì)全文分詞再做操作。

•以行為單位處理文件,而不是將整個(gè)文件讀入內(nèi)存,在處理大文件時(shí)可以節(jié)約內(nèi)存。
•可以使用這樣的正則表達(dá)式先對(duì)整個(gè)文件預(yù)處理一下,去掉可能的html tags: content=re.sub(r"<[^>]+","",content),這樣的結(jié)果對(duì)于某些文檔更精確。
發(fā)表評(píng)論 共有條評(píng)論
用戶(hù)名: 密碼:
驗(yàn)證碼: 匿名發(fā)表
主站蜘蛛池模板: 南和县| 耒阳市| 巴马| 伊金霍洛旗| 浏阳市| 南阳市| 静海县| 韶山市| 蕉岭县| 商南县| 福建省| 申扎县| 庆阳市| 庐江县| 定安县| 黑水县| 曲靖市| 丹巴县| 孟村| 缙云县| 花莲市| 赤水市| 普定县| 通海县| 平阴县| 留坝县| 连山| 涞源县| 海伦市| 德州市| 瑞昌市| 天镇县| 拉孜县| 江都市| 张北县| 大丰市| 琼海市| 鄢陵县| 麻城市| 文登市| 昆山市|