中文文本的字数统计(不包括标点符号且考虑英文/数字序列)
2017-02-15 15:54
295 查看
#-*-coding=utf-8 -*- """ 统计一遍中文文章的字数(不包括标点符号,考虑英文/数字序列(不拆分成当个字母或数字) """ import re import jieba c = "\\" text = """然而,在参加string聚会或者出席典礼时,很多人会抱怨自己挑不出一件拿得出手的裙子。望着摆满了鞋子的鞋架,发觉自己花了这么多钱,却选不出一双满意的鞋子。梳妆台上摆满了化妆品,拿起来一看,已经过了保质期。联想电脑过了4年服役期后,老化明显,今天这个问题花400去修,明天那个问题花 300去换。 """ pat = r"(?u)\w" #统计会包含标点符号 print "包含标点符号,且未考虑英文和量词拆分的统计的长度:",len(text.decode('utf-8')) #去掉标点符号后的统计 print "未考虑英文和量词拆分的统计的长度:",len(re.findall(pat,text.decode('utf-8'))) print re.findall(pat,text.decode('utf-8')) """ 上面的统一没有考虑到英文单词和数量。比如`string`,实际是一个词,结果被拆分成字母,当成了6个字。400当成了3个字 下面的方法成功的解决了英文和数字的统计问题。 """ #去掉标点符号后的text print re.findall(r'(?u)\w+',text.decode('utf-8')) text_len = 0 for text in re.findall(r'(?u)\w+',text.decode('utf-8')): #结巴分词不会把英文和量数分拆 words = jieba.cut(text) for word in words: if re.compile('[a-zA-z0-9]+').search(word): '''如果是英文或数字序列,当成1个字''' length = 1 else: '''中文继续对词拆分成字统计''' length = len(re.findall(r"(?u)\w",word)) text_len += length print "去掉标点符号,且不拆分英文数字序列统计的长度:",text_len
相关文章推荐
- Python动态类型的学习---引用的理解
- Python3写爬虫(四)多线程实现数据爬取
- 垃圾邮件过滤器 python简单实现
- 下载并遍历 names.txt 文件,输出长度最长的回文人名。
- install and upgrade scrapy
- Scrapy的架构介绍
- Centos6 编译安装Python
- 使用Python生成Excel格式的图片
- 让Python文件也可以当bat文件运行
- [Python]推算数独
- Python中zip()函数用法举例
- Python中map()函数浅析
- Python将excel导入到mysql中
- Python在CAM软件Genesis2000中的应用
- 使用Shiboken为C++和Qt库创建Python绑定
- FREEBASIC 编译可被python调用的dll函数示例
- 通过构建一个简单的掷骰子游戏去学习怎么用 Python 编程