词频统计软件_如何用Python统计HSK汉字

HSK标准考试大纲是提供词汇表的，包括了词汇、拼音、词性、对应级别（没有英文翻译）。

在备考过程中发现，很多学生的汉字也是一个弱项，很多形近字经常分不清楚。所以需要单独把词拆成字，然后给他们进行对比。

那如何把词拆成字呢？用Excel的left、mid、right函数是一个很方便的方法。不过用Python的list函数，会更方便。

首先明确编程的目标

1. 将HSK考纲中的词汇拆成一个一个汉字
2. 重复的汉字需要舍去

具体步骤如下

准备好HSK考纲词表（Excel格式）

可以用过手机拍照，放到电脑里，用OCR软件识别的方式，讲纸质的词表整理成电子版

整理好的词表（局部）

如果需要Mac上的OCR软件，推荐看这篇：

大如：Mac上那些好用的文字识别工具​zhuanlan.zhihu.com

利用Python进行编程

主要利用以下步骤实现

1. 导入Python的xlrd模块，进行excel的读取
2. 读取excel的第一个工作表（sheet1）
3. 读取该工作表的最大行数，后续的for循环需要用到
4. 建立一个空的character_list，拆分的汉字就扔到这个list里
5. 建立第一层的for循环，遍历每个词语，拆分成word_list
6. 建立第二层的for循环，将每个词语的wordlist里的汉字，与character_list里的每一项做比较，如果不在其中，则将这个汉字加入到character_list里
7. 打印输出character_list，同时统计一下有多少个汉字

输出的结果如下

HSK4级汉字（局部）

可以看到，HSK4级一共1200个词语，汉字数是1077个。

全部代码如下

#!usr/bin/env Python
# coding = utf-8

import xlrd

#文档模板：sheet1：词，拼音，英语，词性，词频

input_excel = xlrd.open_workbook('/Users/Arthur/learnPython/vocabulary/HSK.xlsx')
input_sheet_words = input_excel.sheets()[0]

nrows_words = input_sheet_words.nrows

row1 = 0
col1 = 0
character_list = []

for i1 in range(nrows_words-1):
    word_origin = input_sheet_words.cell(row1+i1, col1).value
    list_word = list(word_origin)
    for i2 in range(len(list_word)):
        if list_word[i2] not in character_list:
            character_list.append(list_word[i2])

print (character_list)
print (len(character_list))

这部分代码可以与挑选字族的代码合并起来，进行考试词汇字族的筛选，详情请见：

大如：如何利用Python筛选HSK核心词汇​zhuanlan.zhihu.com