午夜剧场伦理_日本一道高清_国产又黄又硬_91黄色网战_女同久久另类69精品国产_妹妹的朋友在线

您的位置:首頁技術(shù)文章
文章詳情頁

python文本處理的方案(結(jié)巴分詞并去除符號)

瀏覽:18日期:2022-06-18 11:21:09
看代碼吧~

import reimport jieba.analyseimport codecsimport pandas as pddef simplification_text(xianbingshi): '''提取文本''' xianbingshi_simplification = [] with codecs.open(xianbingshi,’r’,’utf8’) as f:for line in f : line = line.strip() line_write = re.findall(’(?<=<b>).*?(?=<e>)’,line) for line in line_write:xianbingshi_simplification.append(line) with codecs.open(r’C:UsersAdministrator.SC-201812211013PycharmProjectsuntitled29yiwoqucodexianbingshi_write.txt’,’w’,’utf8’) as f:for line in xianbingshi_simplification: f.write(line + ’n’)def jieba_text(): '''''' word_list = [] data = open(r'C:UsersAdministrator.SC-201812211013PycharmProjectsuntitled29xianbingshi_write.txt', encoding=’utf-8’).read() seg_list = jieba.cut(data, cut_all=False) # 精確模式 for i in seg_list:word_list.append(i.strip()) data_quchong = pd.DataFrame({’a’:word_list}) data_quchong.drop_duplicates(subset=[’a’],keep=’first’,inplace=True) word_list = data_quchong[’a’].tolist() with codecs.open(’word.txt’,’w’,’utf8’)as w:for line in word_list: w.write(line + ’n’)def word_messy(word): '''詞語提煉''' word_sub_list = [] with codecs.open(word,’r’,’utf8’) as f:for line in f: line_sub = re.sub('^[1-9]d*.d*|^[A-Za-z0-9]+$|^[0-9]*$|^(-?d+)(.d+)?$|^[A-Za-z0-9]{4,40}.*?',’’,line) word_sub_list.append(line_sub) word_sub_list.sort() with codecs.open(’word.txt’,’w’,’utf8’)as w:for line in word_sub_list: w.write(line.strip('n') + ’n’)if __name__ == ’__main__’: xianbingshi = r’C:UsersAdministrator.SC-201812211013PycharmProjectsuntitled29yiwoquxianbingshi_sub_sen_all(1).txt’ # simplification_text(xianbingshi) # word = r’C:UsersAdministrator.SC-201812211013PycharmProjectsuntitled29word.txt’ simplification_text(xianbingshi)

補充:python 進行結(jié)巴分詞 并且用re去掉符號

看代碼吧~

# 把停用詞做成字典stopwords = {}fstop = open(’stop_words.txt’, ’r’,encoding=’utf-8’,errors=’ingnore’)for eachWord in fstop: stopwords[eachWord.strip()] = eachWord.strip() #停用詞典fstop.close()f1=open(’all.txt’,’r’,encoding=’utf-8’,errors=’ignore’)f2=open(’allutf11.txt’,’w’,encoding=’utf-8’)line=f1.readline()while line: line = line.strip() #去前后的空格 line = re.sub(r'[0-9s+.!/_,$%^*()?;;:-【】+'’]+|[+——!,;:。?、~@#¥%……&*()]+', ' ', line) #去標(biāo)點符號 seg_list=jieba.cut(line,cut_all=False) #結(jié)巴分詞 outStr='' for word in seg_list:if word not in stopwords: outStr+=word outStr+=' ' f2.write(outStr) line=f1.readline()f1.close()f2.close()

python文本處理的方案(結(jié)巴分詞并去除符號)

以上為個人經(jīng)驗,希望能給大家一個參考,也希望大家多多支持好吧啦網(wǎng)。

標(biāo)簽: Python 編程
相關(guān)文章:
主站蜘蛛池模板: 自拍 亚洲| 日韩美女视频一区 | 日本男女动态图 | 亚洲碰碰 | 亚洲a网 | 亚洲一区二区三区免费在线观看 | 国产亚洲视频在线观看 | 国模精品一区 | 青青国产在线 | 成年人在线免费看 | 亚洲美女网站 | 丝袜美腿在线 | 色久视频 | 国产福利久久久 | 中文字幕精品视频在线观看 | 亚洲影视在线 | 67194成人 | 午夜激情福利 | 九九热精品在线观看 | 午夜特片网 | 精品性久久 | 欧美激情xxxxx | 天天操夜操 | 欧日韩视频 | 91免费国产在线 | h片免费在线观看 | 黄色a一级片 | 日本午夜视频 | 奶波霸巨乳一二三区乳 | 精品无人国产偷自产在线 | 四虎在线永久 | 91综合久久 | 成年人在线观看视频网站 | 日韩美av| 国产精品高潮呻吟久久av野狼 | 亚洲视频a | 日韩在线第一 | 久久久久一级片 | 色香蕉网 | 午夜精品久久久久久久久 | 成人免费视频一区 |