python中文单词统计_python实现统计汉字／英文单词数的正则表达式

思路

•使用正则式 "(?x) (?: [\w-]+ | [\x80-\xff]{3} )"获得utf-8文档中的英文单词和汉字的列表。

•使用dictionary来记录每个单词／汉字出现的频率，如果出现过则＋1，如果没出现则置1。

•将dictionary按照value排序，输出。

源码

#!/usr/bin/python

# -*- coding: utf-8 -*-

#

#author: rex

#blog: http://iregex.org

#filename counter.py

#created: mon sep 20 21:00:52 2010

#desc: convert .py file to html with vim.

import sys

import re

from operator import itemgetter

def readfile(f):

with file(f,"r") as pfile:

return pfile.read()

def divide(c, regex):

#the regex below is only valid for utf8 coding

return regex.findall(c)

def update_dict(di,li):

for i in li:

if di.has_key(i):

di[i]+=1

else:

di[i]=1

return di

def main():</