来做一个NLP任务
步骤为:
1.读取文件；
2.去除所有标点符号和换行符，并把所有大写变成小写；
3.合并相同的词，统计每个词出现的频率，并按照词频从大到小排序；
4.将结果按行输出到文件 out.txt。
代码:
import re
import os,sys
# 你不用太关心这个函数
def parse(text):
# 使用正则表达式去除标点符号和换行符
text = re.sub(r'[^\w ]', '', text)
# 转为小写
text = text.lower()
# 生成所有单词的列表
Word_list = text.split(' ')
# 去除空白单词
word_list = filter(None, word_list)
# 生成单词和词频的字典
word_cnt = {}
for word in word_list:
if word not in word_cnt:
word_cnt[word] = 0
word_cnt[word] += 1
print(word_cnt.items())
# 按照词频排序
sorted_word_cnt = sorted(word_cnt.items(), key=lambda kv: kv[1], reverse=True)
return sorted_word_cnt
inFile = 'in.txt'
if not os.path.exists(inFile):
print(f'file {inFile} not exist')
sys.exit()
with open(inFile, 'r') as fin:
text = fin.read()
word_and_freq = parse(text)
outFile = 'out.txt'
with open(outFile, 'w') as fout:
for word, freq in word_and_freq:
try:
fout.write('{} {}\n'.fORMat(word, freq))
except Exception as ex:
print(f"error in wirte {outFile},error msg:{ex}") 假如文件非常大，一次性读取可能会导致内存崩溃，那么可以用一行一行读取的方法来实现：
from collections import defaultdict
import re,sys,os
inFile = 'in.txt'
if not os.path.exists(inFile):
print(f'file {inFile} not exist')
sys.exit()
f = open(inFile, mode="r", encoding="utf-8")
word_cnt = defaultdict(int) #defaultdict类的初始化函数接受一个类型作为参数，当所访问的键不存在的时候，可以实例化一个值作为默认值
for line in f: #逐行读取
line =re.sub(r'[^\w ]', '', line) #使用正则表达式去除标点符号和换行符
for word in filter(None, line.split(' ')): #按空格把单词分组，并把空白单词去掉
word_cnt[word] += 1
outFile = 'out.txt'
with open(outFile,'w') as fout:
for word, freq in sorted(word_cnt.items(), key=lambda kv: kv[1], reverse=True):
try:
fout.write(f'{word} {freq}\n')
except Exception as ex:
print(f"error in wirte {outFile},error msg:{ex}")I/O需谨慎，所有I/O操作都应该进行错误处理，以防编码漏洞。
JSON 序列化与反序列化
json.dumps() 这个函数，接受 python 的基本数据类型，然后将其序列化为 string；
json.loads() 这个函数，接受一个合法字符串，然后将其反序列化为 Python 的基本数据类型。
同样的，Json序列化与反序列化时也要注意做错误处理，比如json.loads('123.2')会返回一个float类型。因此反序列化后需要判断是否期望的类型：
original_params = json.loads(params_str)
t = type(original_params)
if t is not dict:
print(f'is {t} not dict')json.dumps() 与json.loads()例子：
import json,sys
params = {
'symbol': '123456',
'type': 'limit',
'price': 123.4,
'amount': 23
}
try:
params_str = json.dumps(params)
except Exception as ex:
print(f'error on dumps error msg:{ex}')
sys.exit()
print('after json serialization')
print('type of params_str = {}, params_str = {}'.format(type(params_str), params))
#after json serialization
#type of params_str = <class 'str'>, params_str = {'symbol': '123456', 'type': 'limit', 'price': 123.4, 'amount': 23}
original_params = json.loads(params_str)
t = type(original_params)
if t is not dict:
print(f'is {t} not dict')
print('after json deserialization')
print('type of original_params = {}, original_params = {}'.format(type(original_params), original_params))
#after json deserialization
#type of original_params = <class 'dict'>, original_params = {'symbol': '123456', 'type': 'limit', 'price': 123.4, 'amount': 23}
参考资料：