19-python 自己建立词库并实现文章汉语词频统计

首先在网上下载一个汉语词典的txt文件， 汉语词典

1.用正则去掉词语的解释，即提取出所有汉语词语；

import re
def getHanYuCi(st):
   p = re.compile(r'【.*?】') # 挑选出: [汉字]
   rt = p.findall(st)
   
   p = re.compile(r'[u4E00-u9FA5]+') # 去掉【】:只保留汉字;  *:前一个字符0次或无限次; +:表示1次或无限制
   rt = p.findall(str(rt))
   #print(str[0:1000])
   return rt

def test_1():
    path = r'C:UserssssDesktophanyucidian.txt'
    with open(path, 'rb') as f:
        st = f.read().decode('gb18030')
        
    rt = getHanYuCi(st)
    dict = {}
    for x in rt:
        dict[x] = 0 
    #print('+++++++++++++')
    #print(len(rt))
    #print(rt) #  由于rt特别大，直接print不会读出任何东西,但只读某一段时可以读出来
    #print(rt[1:10])
    path = r'C:UserssssDesktophanyu_ci.txt'
    with open(path, 'w') as f:
        f.write(str(dict))

test_1()