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(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: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(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)。

標簽: Python 編程
相關(guān)文章:
主站蜘蛛池模板: 亚洲国产精品久久婷婷 | 91拍拍在线观看 | 国产精品久久久久久久久鸭 | 亚洲欧美专区精品伊人久久 | 国产成人精品久久二区二区 | 啪视频| 日韩2区| 免费国产一区二区三区 | 热99re久久精品精品免费 | 中国一级片免费看 | 日韩中文字幕一在线 | 青青草一区国产97 | 欧美 日韩 中字 国产 | 亚洲欧美综合网站 | 亚洲日韩欧美制服二区dvd | 青青青视频自偷自拍视频1 青青青视频免费一区二区 青青青视频蜜桃一区二区 青青青爽国产在线视频 | 香蕉福利 | 深夜爽爽爽gif福利免费 | 国产欧美亚洲精品 | 欧美伦禁片在线播放 | 91在线精品你懂的免费 | 特级生活片 | 达达兔午夜一级毛片 | 青青热久免费精品视频在线观看 | 久久免费国产 | 天天狠狠色综合图片区 | 伊人精品线视天天综合 | 草草影院地址ccyycom浮力影院37 草草影院欧美 | 国产黄色在线播放 | 亚洲日本乱码中文在线电影亚洲 | 国产一区二区三区久久精品 | 麻豆短视频传媒网站怎么找 | 成人做爰又黄又爽免费视频 | 在线观看亚洲一区 | 毛片免费网站 | 国产精品久久久久影视不卡 | 91老师国产黑色丝袜在线 | 日韩毛片在线播放 | 中文字幕在线永久 | 国产亚洲欧美日韩在线观看一区二区 | 国产区一区 |