来做一个NLP任务

　　步骤为:

　　　　1.读取文件；

　　　　2.去除所有标点符号和换行符，并把所有大写变成小写；

　　　　3.合并相同的词，统计每个词出现的频率，并按照词频从大到小排序；

　　　　4.将结果按行输出到文件 out.txt。

　　代码:

import reimport os,sys# 你不用太关心这个函数def parse(text):　　# 使用正则表达式去除标点符号和换行符　　text = re.sub(r'[^\w ]', '', text)　　# 转为小写　　text = text.lower()　　# 生成所有单词的列表　　word_list = text.split(' ')　　# 去除空白单词　　word_list = filter(None, word_list)　　# 生成单词和词频的字典　　word_cnt = {}　　for word in word_list:　　　　if word not in word_cnt:　　　　　　word_cnt[word] = 0　　　　　　word_cnt[word] += 1　　　　　　print(word_cnt.items())　　# 按照词频排序　　sorted_word_cnt = sorted(word_cnt.items(), key=lambda kv: kv[1], reverse=True)　　return sorted_word_cntinFile = 'in.txt'if not os.path.exists(inFile):　　print(f'file {inFile} not exist')　　sys.exit()with open(inFile, 'r') as fin:　　text = fin.read()word_and_freq = parse(text)outFile = 'out.txt'with open(outFile, 'w') as fout:　　for word, freq in word_and_freq:　　　　try:　　　　　　fout.write('{} {}\n'.format(word, freq))　　　　except Exception as ex:　　　　　　print(f"error in wirte {outFile},error msg:{ex}")

　　假如文件非常大，一次性读取可能会导致内存崩溃，那么可以用一行一行读取的方法来实现：

from collections import defaultdictimport re,sys,osinFile = 'in.txt'if not os.path.exists(inFile):　　print(f'file {inFile} not exist')　　sys.exit()f = open(inFile, mode="r", encoding="utf-8")word_cnt = defaultdict(int) #defaultdict类的初始化函数接受一个类型作为参数，当所访问的键不存在的时候，可以实例化一个值作为默认值for line in f: #逐行读取　　line =re.sub(r'[^\w ]', '', line) #使用正则表达式去除标点符号和换行符　　for word in filter(None, line.split(' ')): #按空格把单词分组，并把空白单词去掉　　　　word_cnt[word] += 1outFile = 'out.txt'with open(outFile,'w') as fout:　　for word, freq in sorted(word_cnt.items(), key=lambda kv: kv[1], reverse=True):　　　　try:　　　　　　fout.write(f'{word} {freq}\n')　　　　except Exception as ex:　　　　　　print(f"error in wirte {outFile},error msg:{ex}")

　　I/O需谨慎，所有I/O操作都应该进行错误处理，以防编码漏洞。

Json 序列化与反序列化

　　json.dumps() 这个函数，接受 Python 的基本数据类型，然后将其序列化为 string；

　　json.loads() 这个函数，接受一个合法字符串，然后将其反序列化为 Python 的基本数据类型。

　　同样的，Json序列化与反序列化时也要注意做错误处理，比如json.loads('123.2')会返回一个float类型。因此反序列化后需要判断是否期望的类型：

original_params = json.loads(params_str)t = type(original_params)if t is not dict:    print(f'is {t} not dict')

　　json.dumps() 与json.loads()例子：

import json,sysparams = {'symbol': '123456','type': 'limit','price': 123.4,'amount': 23}try:    params_str = json.dumps(params)except Exception as ex:    print(f'error on dumps error msg:{ex}')    sys.exit()print('after json serialization') print('type of params_str = {}, params_str = {}'.format(type(params_str), params)) #after json serialization#type of params_str = 
         
          , params_str = {'symbol': '123456', 'type': 'limit', 'price': 123.4, 'amount': 23}original_params = json.loads(params_str)t = type(original_params)if t is not dict:    print(f'is {t} not dict')print('after json deserialization')print('type of original_params = {}, original_params = {}'.format(type(original_params), original_params))#after json deserialization #type of original_params = 
          
           , original_params = {'symbol': '123456', 'type': 'limit', 'price': 123.4, 'amount': 23}
          
         

 

 

参考资料：

极客时间《Python核心技术与实战》