如何遍历 PYTHON 中的文件中的单词？

Question

我有一个 .txt 文件，我想浏览其中的文字。我有一个问题，我需要在遍历单词之前删除标点符号。我试过了，但它没有删除标点符号。

file=open(file_name,"r")
for word in file.read().strip(",;.:- '").split():
     print word
file.close()

Answer 1

您当前方法的问题在于 .strip() 并没有真正按照您的意愿行事。它会删除前导字符和尾随字符（并且您想删除文本中的字符），如果您想指定除空格之外的字符，它们需要在列表中。

另一个问题是您的列表不会过滤掉更多潜在的标点符号字符（问号、感叹号、unicode 省略号、破折号）。相反，您可以使用 string.punctuation 来获取范围广泛的字符（请注意 string.punctuation 不包括一些非英语字符，因此它的可行性可能取决于您输入的来源）：

import string
punctuation = set(string.punctuation)
text = ''.join(char for char in text if char not in punctuation)

一种更快的方法（如 other 所示）使用 string.translate() 替换字符：

import string
text = text.translate(string.maketrans('', ''), string.punctuation)

Answer 2

在将单词存储在列表中后，我会使用 replace 函数删除标点符号，如下所示：

with open(file_name,"r") as f_r:
    words = []
    for row in f_r:
        words.append(row.split())
punctuation = [',', ';', '.', ':', '-']
words = [x.replace(y, '') for y in punctuation for x in words]

Answer 3

您可以尝试使用 re 模块：

import re
with open(file_name) as f:
    for word in re.split('\W+', f.read()):
        print word

有关详细信息，请参阅 re documentation。

编辑：如果是非 ASCII 字符，前面的代码会忽略它们。在这种情况下，以下代码可以提供帮助：

import re
with open(file_name) as f:
    for word in re.compile('\W+', re.unicode).split(f.read().decode('utf8')):
        print word

Answer 4

strip()仅删除字符串开头或结尾处的字符。所以split()先切词，然后strip()去掉标点符号。

import string

with open(file_name, "rt") as finput:
    for line in finput:
        for word in line.split():
            print word.strip(string.punctuation)

或者使用像 nltk 这样的自然语言感知库：http://www.nltk.org/

Answer 5

以下代码保留撇号和空格，如果需要，可以轻松修改以保留双引号。它通过使用基于字符串对象子类的翻译 table 来工作。我认为代码相当容易理解。如有必要，它可能会变得更有效率。

class SpecialTable(str):
    def __getitem__(self, chr):
        if chr==32 or chr==39 or 48<=chr<=57 \
            or 65<=chr<=90 or 97<=chr<=122:
            return chr
        else:
            return None

specialTable = SpecialTable()


with open('temp2.txt') as inputText:
    for line in inputText:
        print (line)
        convertedLine=line.translate(specialTable)
        print (convertedLine)
        print (convertedLine.split(' '))

这是典型的输出。

This! is _a_ single (i.e. 1) English sentence that won't cause any trouble, right?

This is a single ie 1 English sentence that won't cause any trouble right
['This', 'is', 'a', 'single', 'ie', '1', 'English', 'sentence', 'that', "won't", 'cause', 'any', 'trouble', 'right']
'nother one.

'nother one
["'nother", 'one']

如何遍历 PYTHON 中的文件中的单词？

How can I travel through the words of a file in PYTHON?

python

python-2.7

text

punctuation