过滤文本文件中的外来停用词
提问于 2014-08-26 22:02:20
我有一个英文和几种外语的电影名称列表，编译成一个文本文件，每个名称打印在一个新的行中：
Kein Pardon
Kein Platz f¸r Gerold
Kein Sex ist auch keine Lˆsung
Keine Angst Liebling, ich pass schon auf
Keiner hat das Pferd gek¸sst
Keiner liebt mich
Keinohrhasen
Keiro's Cat
La Prima Donna
La Primeriza
La Prison De Saint-Clothaire
La Puppe
La P·jara
La PÈrgola de las Flores我已经编辑了一个简短的非英语停用词列表，我想从文本文件中过滤掉。拉，德，拉斯，达斯。我可以做些什么来读取我的文本，过滤单词，然后将过滤后的列表以原始格式打印到新的文本文件中？所需的输出应大致如下所示：
Kein Pardon
Kein Platz f¸r Gerold
Kein Sex keine Lˆsung
Keine Angst Liebling, pass schon
Keiner hat Pferd gek¸sst
Keiner liebt mich
Keinohrhasen
Keiro's Cat
Prima Donna
Primeriza
Prison Saint-Clothaire
Puppe
P·jara
Èrgola Flores
回答 3
Stack Overflow用户
发布于 2014-08-26 22:24:14
您可以使用re模块(https://docs.python.org/2/library/re.html#re.sub )将不需要的字符串替换为空格。像这样的东西应该是有效的：
import re
#save your undesired text here. You can use a different data structure
# if the list is big and later build your match string like below
unDesiredText = 'abc|bcd|vas'
#set your inputFile and outputFile appropriately
fhIn = open(inputFile, 'r')
fhOut = open(outputFile, 'w')
for line in fhIn:
line = re.sub(unDesiredText, '', line)
fhOut.write(line)
fhIn.close()
fhOut.closeStack Overflow用户
发布于 2014-08-26 22:53:06
另一种方法，如果您对异常处理和其他相关细节感兴趣：
import re
stop_words = ['de', 'la', 'el']
pattern = '|'.join(stop_words)
prog = re.compile(pattern, re.IGNORECASE) # re.IGNORECASE to catch both 'La' and 'la'
input_file_location = 'in.txt'
output_file_location = 'out.txt'
with open(input_file_location, 'r') as fin:
with open(output_file_location, 'w') as fout:
for l in fin:
m = prog.sub('', l.strip()) # l.strip() to remove leading/trailing whitespace
m = re.sub(' +', ' ', m) # suppress multiple white spaces
fout.write('%s\n' % m.strip())Stack Overflow用户
发布于 2014-08-26 22:38:57
读入文件：
with open('file', 'r') as f:
inText = f.read()我有一个函数，你可以在文本中提供一个你不想要的字符串，但是你可以一次对整个文本执行这个操作，而不仅仅是逐行操作。此外，您希望全局使用文本，所以我建议您创建一个类：
class changeText( object ):
def __init__(self, text):
self.text = text
def erase(self, badText):
self.text.replace(badText, '')但是，当您用空格替换单词时，会出现两个空格，以及\n后跟空格，因此请创建一个方法来清理生成的文本。
def cleanup(self):
self.text.replace(' ', ' ')
self.text.replace('\n ', '\n')初始化对象：
textObj = changeText( inText )然后遍历不好的单词列表并清理：
for bw in badWords:
textObj.erase(bw)
textObj.cleanup()最后，写下它：
with open('newfile', 'r') as f:
f.write(textObj.text)页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/25515881
复制相关文章
腾讯云开发者
