亚洲精品久久久中文字幕-亚洲精品久久片久久-亚洲精品久久青草-亚洲精品久久婷婷爱久久婷婷-亚洲精品久久午夜香蕉

您的位置:首頁技術文章
文章詳情頁

python文本處理的方案(結巴分詞并去除符號)

瀏覽:2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) #去標點符號 seg_list=jieba.cut(line,cut_all=False) #結巴分詞 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(結巴分詞并去除符號)

以上為個人經驗,希望能給大家一個參考,也希望大家多多支持好吧啦網。

標簽: Python 編程
相關文章:
主站蜘蛛池模板: 毛片综合 | 日韩一级不卡 | 国产伦精品一区二区三区免费迷 | 日韩一区二区三区在线播放 | 国产麻豆剧传媒精品网站 | 欧美视屏在线观看 | 国产午夜免费视频 | 片子免费在线观看 | 欧美成人午夜影院 | 国产精品丝袜 | 农村寡妇特一级毛片 | 大尺度福利视频在线观看网址 | japan高清视频乱xxxxx | 特级做人爱c欧美网站 | 91嫩草国产线免费观看 | 俺也操| 天天色综合图片 | 最新国产成人综合在线观看 | 欧美在线视频一区二区三区 | 国产91久久最新观看地址 | 久久婷婷伊人 | 国产呦精品系列在线 | 91av视频免费在线观看 | heyzo北条麻妃久久 | 看5xxaaa免费毛片 | 丰满女人毛片免费播放 | 国产乱码在线精品可播放 | 国产一区二区免费视频 | 国产中日韩一区二区三区 | 成人在线免费观看网站 | 91短视频网站 | 美国一级片免费 | 欧美噜噜噜 | 国自产拍在线视频天天更新 | 日韩综合网站 | 久久精品2019www中文 | 欧美换爱交换乱理伦片不卡片 | 亚洲区一二三四区2021 | 男人午夜免费视频 | 国产图片亚洲精品一区 | 欧美黄色a级 |