正则切分解析文本数据文件

mport re   #正则表达式

mySent = 'This book is the best book.'
regEX = re.compile('\\W*')   # \\W*表示除了单词数字外的任意字符串
list0fTokens = regEX.split(mySent)

上面也可以写成:
mySent = 'This book is the best book.'
listOfTokens = re.split(r'\W*', mySent)

list1fTokens = [ tok.lower() for tok in list0fTokens if len(tok) > 0 ]
上面一句程序写全:
list1fTokens = []
for tok in list0fTokens:
    if len(tok) > 0:
        list1fTokens.append( tok.lower() )   #.lower()将字符串全部转换成小写,.upper()将字符串全部转换成大写

print(list1fTokens)
结果:['this', 'book', 'is', 'the', 'best', 'book']


分隔一封邮件文本
import re   #正则表达式
import os

os.chdir('E:\机器学习实战代码\machinelearninginaction\Ch04\email\ham')

regEX = re.compile('\\W*')
emailText = open('6.txt')
emailText1 = regEX.split( emailText.read() )
emailText2 = [tok.lower() for tok in emailText1 if len(tok) > 3]  用>3来去除URL的残余字母
print(emailText2)
结果:['hello', 'since', 'you', 'are', 'an', 'owner', 'of', 'at', 'least', ......'changes', 'to', 'google', 'groups']
  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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