python如何實現統計漢字／英文單詞數的正則表達式

這篇文章主要介紹了python如何實現統計漢字／英文單詞數的正則表達式，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

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／漢字出現的頻率，如果出現過則＋1，如果沒出現則置1。
?將dictionary按照value排序，輸出。
源碼

#!/usr/bin/python
# -*- 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，因此./counter.py file1 file2 ...可以將參數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

regex=re.compile("(?x) ( [\w-]+ | [\x80-\xff]{3} )") 
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存，在處理大文件時可以節約內存。
?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)，這樣的結果對于某些文檔更精確。

感謝你能夠認真閱讀完這篇文章，希望小編分享的“python如何實現統計漢字／英文單詞數的正則表達式”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!