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:3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: 亚洲小视频 | 国产精品久久久久久久午夜片 | 91免费国产 | 欧美中文字幕一二三四区 | 生活一级毛片 | 曰批免费动漫视频播放免费 | 欧美一区二区三区精品国产 | 精品国产福利在线 | 亚洲欧美日韩在线观看你懂的 | 日本一卡2卡三卡4卡 免费网站仙踪 | 免费一级毛片在线播放欧美 | 精品一区二区三区在线观看视频 | 一级做a爰片久久毛片美女 一级做a爰片久久毛片唾 | 日韩欧美一区二区三区视频 | 国产另类在线观看 | 人人狠狠综合88综合久久 | 玖玖爱在线观看视频在线 | 伊人久久大杳蕉综合大象 | 一级日韩 | 久久九九热re6这里有精品 | 精品亚洲一区二区在线播放 | 中国精品久久 | 日韩在线一区二区三区视频 | 欧美视频一二三区 | 亚洲综合精品香蕉久久网97 | 久久99热只有视精品6国产 | 欧美国产综合 | 国产精品v欧美精品v日韩 | 欧美精品免费看 | 高清性色生活片久久久 | 国产在线拍揄自揄视精品不卡 | 永久免费看电视网站 | 欧美日韩在线视频观看 | 免费国产免费福利视频 | 亚洲 中文 欧美 日韩 在线人 | www精品 | 91刘亦菲精品福利在线 | 国产不卡在线观看视频 | 国产亚洲一区二区在线观看 | 成人国产精品高清在线观看 | 久久蜜桃亚洲一区二区 |