站長資訊網(wǎng)思路
•使用正則式 “(?x) (?: [w-]+ | [x80-xff]{3} )”獲得utf-8文檔中的英文單詞和漢字的列表。
•使用dictionary來記錄每個單詞／漢字出現(xiàn)的頻率，如果出現(xiàn)過則＋1，如果沒出現(xiàn)則置1。
•將dictionary按照value排序，輸出。
源碼
# -*- 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:] 來接收參數(shù)，因此./counter.py file1 file2 …可以將參數(shù)指定的文件的詞頻累加計算輸出。
可以自定義該程序。例如，
•使用
words=[w for w in regex.split(line) if w]
這樣得到的列表是包含分隔符在內(nèi)的單詞列表，方便于以后對全文分詞再做操作。
•以行為單位處理文件，而不是將整個文件讀入內(nèi)存，在處理大文件時可以節(jié)約內(nèi)存。
•可以使用這樣的正則表達式先對整個文件預處理一下，去掉可能的html tags: content=re.sub(r”<[^>]+”,””,content)，這樣的結(jié)果對于某些文檔更精確。
