python实现统计汉字/英文单词数的正则表达式
2018-10-12 13:50
2663 查看
思路
•使用正则式 "(?x) (?: [\w-]+ | [\x80-\xff]{3} )"获得utf-8文档中的英文单词和汉字的列表。
•使用dictionary来记录每个单词/汉字出现的频率,如果出现过则+1,如果没出现则置1。
•将dictionary按照value排序,输出。
源码
Tips
由于使用了files=sys.argv[1:] 来接收参数,因此./counter.py file1 file2 ...可以将参数指定的文件的词频累加计算输出。
可以自定义该程序。例如,
•使用
这样得到的列表是包含分隔符在内的单词列表,方便于以后对全文分词再做操作。
•以行为单位处理文件,而不是将整个文件读入内存,在处理大文件时可以节约内存。
•可以使用这样的正则表达式先对整个文件预处理一下,去掉可能的html tags: content=re.sub(r"<[^>]+","",content),这样的结果对于某些文档更精确。
•使用正则式 "(?x) (?: [\w-]+ | [\x80-\xff]{3} )"获得utf-8文档中的英文单词和汉字的列表。
•使用dictionary来记录每个单词/汉字出现的频率,如果出现过则+1,如果没出现则置1。
•将dictionary按照value排序,输出。
源码
#!/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:] 来接收参数,因此./counter.py file1 file2 ...可以将参数指定的文件的词频累加计算输出。
可以自定义该程序。例如,
•使用
regex=re.compile("(?x) ( [\w-]+ | [\x80-\xff]{3} )")
words=[w for w in regex.split(line) if w]
这样得到的列表是包含分隔符在内的单词列表,方便于以后对全文分词再做操作。
•以行为单位处理文件,而不是将整个文件读入内存,在处理大文件时可以节约内存。
•可以使用这样的正则表达式先对整个文件预处理一下,去掉可能的html tags: content=re.sub(r"<[^>]+","",content),这样的结果对于某些文档更精确。
您可能感兴趣的文章:
相关文章推荐
- python实现统计汉字/英文单词数的正则表达式
- python实现统计汉字/英文单词数的正则表达式
- C++语言,统计一篇英文文章中的单词数(用正则表达式实现)
- 如何用Python实现任一个英文的纯文本文件,统计其中的单词出现的个数?
- 每天一个小程序之python实现统计英文单词出现个数
- 任意一个英文的纯文本文件,统计其中的单词出现的个数(shell python 两种语言实现)
- 使用Python+NLTK实现英文单词词频统计
- python 在中文中找出英文单词 正则表达式实例
- 使用Python+NLTK实现英文单词词频统计
- 正则表达式实现 限制文字输入个数汉子,数字,英文单词
- 一个简单的程序,统计文本文档中的单词和汉字数,逆序排列(出现频率高的排在最前面)。python实现。
- 用Python实现统计一篇英文文章内内个单词出现的频率, 并返回频率最高的前十个单词及次数(标点符号可省略)
- Python实现统计英文单词个数及字符串分割代码
- Python实现统计英文单词个数及字符串分割代码
- java用正则表达式判断字符串中是否仅包含英文字母、数字和汉字
- [转]用正则表达式限制文本框只能输入数字,小数点,英文字母,汉字等各类代码
- 用JavaIO,正则表达式,HashMap统计一个文本单词数量
- python实现将英文单词表示的数字转换成阿拉伯数字的方法
- 正则表达式限制文本框只能输入数字,小数点,英文字母,汉字
- python实现将英文单词表示的数字转换成阿拉伯数字的方法