文本文件“八十天环游地球.txt”是法国作家儒勒. 凡尔纳《八十天环游地球》长篇小说的网络版本,请修改源文件实现以下功能。
问题1:提取章节题目并输出到文件。
要求:在模板中补充代码, 提取“八十天环游地球. txt” 中所有章节的题目,并且将提取后的题目输出到“八十天环游地球-章节. txt"文件中,每行一一个标题,示例如下:
示例
第一章 斐利亚·福克和路路通建立主仆关系
第二章 路路通认为他总算找到了理想的工作
第三章 一场可能使福克先生破财的争论
第四章 斐利亚·福克把路路通吓得目瞪口呆
第五章 伦敦市场上出现了一种新的股票
import re #re库(正则表达式库)是python的标准库,主要用于字符串匹配
f = open("八十天环游地球.txt", 'r',encoding="utf-8")
txt=f.read()
s=re.findall('(第.{1,3}章.*\n)',txt) #re.findall(pattern, string, flags=0):返回string中所有与pattern相匹配的全部字串,返回形式为列表。其中pattern为正则表达式的字符串或原生字符串表示;string为待匹配字符串;flags为正则表达式使用时的控制标记。这个函数的作用是搜索字符串,以列表类型返回全部能匹配的子串。在该行代码中,pattern='(第.{1,3}章.*)',其中.表示除换行符外的任何单个字符;{1,3}表示扩展前一个字符1到3次(含3),*表示前一个字符0次或无限次扩展
fo=open("八十天环游地球-章节.txt",'w',encoding="utf-8")
for c in s:
fo.write(c)
f.close()
fo.close()
问题2:统计每章节的高频词并打印输出。
要求:统计“八十天环游地球. txt”中每一章的标题和内容中,出现次数最多的词语(词语长度不少于2个字符)及其次数,输出格式为章节名、 词语及其出现的次数,以空格分隔,示例如下:
示例
第一章 福克 25
第二章 路路通 17
第三章 福克 26
第四章 福克 27
第五章 福克 31
方法1:
import jieba
import re #re库(正则表达式库)是python的标准库,主要用于字符串匹配
f=open('八十天环游地球.txt','r',encoding='utf-8')
txt=f.read()
s=re.findall("(第.{1,3}章)",txt) #re.findall(pattern, string, flags=0):返回string中所有与pattern相匹配的全部字串,返回形式为列表。其中pattern为正则表达式的字符串或原生字符串表示;string为待匹配字符串;flags为正则表达式使用时的控制标记。这个函数的作用是搜索字符串,以列表类型返回全部能匹配的子串。在该行代码中,pattern='(第.{1,3}章.*)',其中.表示除换行符外的任何单个字符;{1,3}表示扩展前一个字符1到3次(含3),*表示前一个字符0次或无限次扩展
for c in s:
txt=txt.replace(c,'$') #该行代码表示用$替换每一章的标题
txt1=txt.split('$')
for i in range(37):
d={}
line=jieba.lcut(txt1[i+1]) #txt1第一个元素为空行,所以使用i+1越过它
for ch in line:
if len(ch)>=2:
d[ch]=d.get(ch,0)+1
ls=list(d.items())
ls.sort(key=lambda x:x[1], reverse=True)
print("{} {} {}".format(s[i],ls[0][0],ls[0][1]))
f.close()
方法2:
import jieba
import re #re库(正则表达式库)是python的标准库,主要用于字符串匹配
strf = '八十天环游地球.txt'
with open(strf, encoding='utf-8') as f:
lines = f.read()
t = re.findall('(第.{1,3}章.*)', lines) #re.findall(pattern, string, flags=0):返回string中所有与pattern相匹配的全部字串,返回形式为列表。其中pattern为正则表达式的字符串或原生字符串表示;string为待匹配字符串;flags为正则表达式使用时的控制标记。这个函数的作用是搜索字符串,以列表类型返回全部能匹配的子串。在该行代码中,pattern='(第.{1,3}章.*)',其中.表示除换行符外的任何单个字符;{1,3}表示扩展前一个字符1到3次(含3),*表示前一个字符0次或无限次扩展
s = re.sub('(第.{1,3}章.*)', '$', lines) #re.sub(pattern,repl,string,count=0,flags=0)作用是在一个字符串中替换所有匹配正则表达式的子串,返回替换后的字符串。其中repl为替换匹配字符串的字符串,count为匹配的最大替换次数。该行代码表示用$替换每一章的标题
x = s.split('$')
x = x[1:] #split()函数在进行分隔时,若字符串首字符即为分隔符,那么分隔后首字符串补位为空字符串
# 计算词频并输出结果。
for i, j in zip(t, x): # zip():将对象中对应的元素打包成一个个元组,然后返回由这些元组组成的列表
counts = {}
txt = jieba.lcut(i+j)
for word in txt:
if len(word) >= 2:
counts[word] = counts.get(word, 0) + 1
li = list(counts.items())
li.sort(key=lambda x: x[1], reverse=True)
word_max, count_max = li[0]
chapter = re.findall('(第.*章)', i)[0]
print(chapter + ' ' + word_max + ' ' + str(count_max))