数据读取,去除中文字母数字之外符号,并分词

# encoding=utf-8
import jieba
import optparse
import re,codecs


def main():
    parser = optparse.OptionParser()
    parser.add_option('--kunpeng-txt', type=str, help='')
    parser.add_option("--kunpeng-split", type=str, default='')

    (args, dummy) = parser.parse_args()
    input = args.kunpeng_txt
    outfile = open(args.kunpeng_split, 'wb')

    pat_assert = u'[^\u4e00-\u9fa55a-zA-Z0-9]'
    repat_assert = re.compile(pat_assert)

    jieba_cut = ""
    for line in codecs.open(input, 'rb', encoding='utf-8', errors='ignore'):
        line = line.strip()
        string = repat_assert.sub(u'', line)

        jieba_cut = jieba.cut(string)
        words = ' '.join(jieba_cut)+'\n'
        outfile.write(words.encode('utf-8'))
    outfile.close()


if __name__ == '__main__':
    main()

 

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值