Python 从大型unicode文本文件中删除符号
我有一个文本文件,其中包含大约2GB的Unicode文本。我尝试使用以下代码删除所有符号Python 从大型unicode文本文件中删除符号,python,regex,python-3.x,unicode,Python,Regex,Python 3.x,Unicode,我有一个文本文件,其中包含大约2GB的Unicode文本。我尝试使用以下代码删除所有符号 import re symbols = re.compile(r'[{} &+( )" =!.?.:.. / | » © : >< # « ,] 1 2 3 4 5 6 7 8 9 _ - + ; [ ] %',flags=re.UNICODE) with open('/home/corpus/All12.txt','a') as t: with open('/home
import re
symbols = re.compile(r'[{} &+( )" =!.?.:.. / | » © : >< # « ,] 1 2 3 4 5 6 7 8 9 _ - + ; [ ] %',flags=re.UNICODE)
with open('/home/corpus/All12.txt','a') as t:
with open('/home/corpus/All11.txt', 'r') as n:
data = n.readline()
data = symbols.sub(" ", data)
t.write(data)
期望输出为ന്യൂഡല്ഹി സര്ക്കാര്ജീവനക്കാരായ ഭര്ത്താക്കന്മാരുടെ ശമ്പളം代码>。
代码不起作用。它停止了我的电脑
我能用out正则表达式解决这个问题吗?第一个[和]之间的符号列表后面的re对我来说毫无意义。它不会删除符号粗体,但只会删除后跟“1 2 3 4 5 6 7 8 9”的符号;[ ] %'. 在其他工作中,re.sub不会执行任何操作。但不管怎样,您的代码运行在3.4.2,Win7上
import re
symbols = re.compile(r'[{} &+( )" =!.?.:.. / | » © : >< # « ,]'
'1 2 3 4 5 6 7 8 9 _ - + ; [ ] %',flags=re.UNICODE)
text = ('''" :621 " :621 :1 ;" _ " :594 :25 4 8 0 :23'''
'''"സര്ക്കാര്ജീവനക്കാരുടെ ശമ്പളം അറിയാന്'''
'''ഭാര്യമാര്ക്ക് അവകാശമുണ്ട്വിവരാവകാശകമ്മീഷന്\n'''
''':621 :4 0 3 0 ;" _ " :551 :16 :3 " ''')
data = symbols.sub(" ", text)
print(data == text) # True
您需要在方括号中插入要替换的每个符号,转义一些特殊符号,如[]
本身、单引号'
和\
。正则表达式是r'[-0-9{}&+()“=!.?:/|»>>st='1234567890-=[]\,./\'!@$%^&*(+{}}):?/,`~ajshgasd'
>>>打印re.sub(r'[-0-9{}&+()“=!.?:/|»>>>fp=open('file.txt','r'))
>>>对于fp中的行:
…如果line.strip()='':continue#strip()删除前导空格和尾随空格
…打印re.sub(r'[-0-9{}&+()“=!.?:/|»>不带正则表达式的解决方案:
可以将“映射”功能与一组要删除的符号一起使用,以完成此操作
def removeSymbols(text,symbols):
return "".join(map(lambda x: "" if x in symbols else x,text))
>>> string = '''" :621 \" :621 :1 ;\" _ \" :594 :25 4 8 0 :23 \"സര്ക്കാര്ജീവനക്കാരുടെ ശമ്പളം അറിയാന് ഭാര്യമാരക് അവകാശമുണ്ട്വിവരാവകാശകമ്മീഷന്\n:621 :4 0 3 0 ;\" _ \" :551 :16 :3"'''
>>> symbols = set('[{} &+( )" =!.?.:.. / | » © : >< # « ,] 1 2 3 4 5 6 7 8 9 _ - + ; [ ] %')
>>> cleanString = removeSymbols(string,symbols)
>>> print(cleanString)
'" :621 " :621 :1 ;" _ " :594 :25 4 8 0 :23 "സര്\u200dക്കാര്\u200dജീവനക്കാരുടെ ശമ്പളം അറിയാന്\u200d ഭാര്യമാര്\u200dക്ക് അവകാശമുണ്ട്വിവരാവകാശകമ്മീഷന്\u200d\n:621 :4 0 3 0 ;" _ " :551 :16 :3"'
def删除符号(文本、符号):
返回“”。连接(映射(lambda x:“如果x在符号中,则为x,否则为x,则为文本))
>>>字符串=“”“'”:621\”:621:1;\“\”:594:25 4 8 0:23\”സര്ക്കാര്ജീവനക്കാരുടെ ശമ്പളം അറിയാന് ഭാര്യമാരക് അവകാശമുണ്ട്വിവരാവകാശകമ്മീഷന്\n:621:40:30;\“\\”:551:16:3“
>>>符号=集合(“[{}&+()”=!.?:../|»:><#«,]1 2 3 4 5 6 7 8 9-+;[])
>>>cleanString=removeSymbols(字符串、符号)
>>>打印(干净字符串)
'" :621 " :621 :1 ;" _ " :594 :25 4 8 0 :23 "സര്\u200dക്കാര്\u200dജീവനക്കാരുടെ ശമ്പളം അറിയാന്\u200dഭാര്യമാര്\u200dക്ക് അവകാശമുണ്ട്വിവരാവകാശകമ്മീഷന്\u200d\n:621:4 0 3 0;“”:551:16:3”
我认为您的正则表达式不正确,因为您可以简化它。
例如,子表达式[{}&+()“=!.?:../|»»:><#«,]
可以简化
在[!”#&()+,./:?{124;}«»]
中:每个字符只保留一次。
这是因为[]
用于指示一组字符。
看看Python文档中的“正则表达式操作”一章。
见:
在邮件标题中,您写道:“从大型unicode文本文件中删除符号”,
因此,我认为您有一组要从文件中删除的字符
要简化符号集,可以尝试以下操作:
>>> symbols = "".join(frozenset(r'[{} &+( )" =!.?.:.. / | » © : >< # « ,] 1 2 3 4 5 6 7 8 9 _ - + ; [ ] %'))
>>> print(symbols)
! #"%&)(+-,/.132547698»:=<?>[];_|©{}«
或者,您可以导入unicode_文字,并删除“u”前缀:
试一试:
import re
symbols = '! #"%&)(+-,/.132547698»:=<?>[];_|©{}«'
regex = "[{0}]+".format(re.escape(symbols))
example = '''" :621 " :621 :1 ;" _ " :594 :25 4 8 0 :23 "സര്ക്കാര്ജീവനക്കാരുടെ ശമ്പളം അറിയാന് ഭാര്യമാര്ക്ക് അവകാശമുണ്ട്വിവരാവകാശകമ്മീഷന്
:621 :4 0 3 0 ;" _ " :551 :16 :3 "'''
print(re.sub(regex, "", example, re.UNICODE))
我认为正确的符号集是:!#“%&”(+-,/.0132547698):=[];124;{}«
。
然后,您可以剥离每一行以删除尾随的空格
因此,此代码段应该适用于您:
import re
symbols = '!#"%&)(+-,/.0132547698»:=<?>[];_|©{}«'
regex = "[{0}]+".format(re.escape(symbols))
sub_symbols = re.compile(regex, re.UNICODE).sub
with open('/home/corpus/All12.txt', 'a') as t:
with open('/home/corpus/All11.txt', 'r') as n:
data = n.readline()
data = sub_symbols("", data).strip()
t.write(data)
重新导入
符号='!#“%&”(+-,/.0132547698):=[];124;{}«
regex=“[{0}]+.”格式(关于转义(符号))
sub_symbols=re.compile(regex,re.UNICODE).sub
将open('/home/corpus/All12.txt',a')作为t:
将open('/home/corpus/All11.txt',r')作为n:
数据=n.readline()
数据=子符号(“,数据).strip()
t、 写入(数据)
str.translate
可以用来代替re.sub
。它将Unicode序号映射到替换对,并返回已翻译的字符串。如果替换为None
则删除字符。str.maketrans
可用于生成映射
在Python 3中,还记得指定文件的编码。我使用UTF-8进行测试:
#!python3
#coding: utf8
symbols = ' {}&+()"=!.?.:../|»©:><#«,123456789_-+;[]%'
D = str.maketrans('','',symbols)
with open('All12.txt','a',encoding='utf8') as t, open('All11.txt','r',encoding='utf8') as n:
for line in n:
t.write(line.translate(D))
参考:,您是否考虑过对unicode进行解码,例如:
line = line.decode('utf_8')
然后重新编码为……ascii,同时忽略它不知道的字符,例如:
line = line.encode('ascii', 'ignore')
不确定这是否更快或更好。正则表达式的速度很慢,但根据经验我不知道这是否更好。不过这很容易;)
可能是O(2n)复杂度(组合),但长正则表达式可能同样糟糕
更新:正如下面指出的,这是错误的。你确定代码没有运行吗?可能只是花了很长时间,这可能是因为你正在读取一个2GB的文本文件。尝试在循环中添加一个打印
。我敢肯定,尝试按chunks@DanielGibbs读取文件。运行一段时间后,它会安静下来。没有lOOP建议你制作一个小样本文件进行测试,否则你会发现很难隔离这个问题。考虑把脚本分成三个函数(读取数据,处理数据,写出数据),这样你就可以单独测试了。你的2个GIB文件中有多少行?如果只有几个(或者一个……),一次迭代一行对您没有多大帮助。此代码删除符号,但使用fp.read()我们试图将整个文件加载到内存中,这对于me@karu,fp.read()
只是向您展示它对您提供的示例有效。您不必将整个文件加载到内存中。您需要使用fp=open('file.txt','r')打开文件
然后使用fp:…
中的行的逐行迭代文件,并在每行上应用regex作为提供的。这不会在内存中加载整个文件,而是一次加载一行。忘记打印fp.read()
和fp.seek(0)
我的代码中的一部分,然后使用其他三行代码
def removeSymbols(text,symbols):
return "".join(map(lambda x: "" if x in symbols else x,text))
>>> string = '''" :621 \" :621 :1 ;\" _ \" :594 :25 4 8 0 :23 \"സര്ക്കാര്ജീവനക്കാരുടെ ശമ്പളം അറിയാന് ഭാര്യമാരക് അവകാശമുണ്ട്വിവരാവകാശകമ്മീഷന്\n:621 :4 0 3 0 ;\" _ \" :551 :16 :3"'''
>>> symbols = set('[{} &+( )" =!.?.:.. / | » © : >< # « ,] 1 2 3 4 5 6 7 8 9 _ - + ; [ ] %')
>>> cleanString = removeSymbols(string,symbols)
>>> print(cleanString)
'" :621 " :621 :1 ;" _ " :594 :25 4 8 0 :23 "സര്\u200dക്കാര്\u200dജീവനക്കാരുടെ ശമ്പളം അറിയാന്\u200d ഭാര്യമാര്\u200dക്ക് അവകാശമുണ്ട്വിവരാവകാശകമ്മീഷന്\u200d\n:621 :4 0 3 0 ;" _ " :551 :16 :3"'
>>> symbols = "".join(frozenset(r'[{} &+( )" =!.?.:.. / | » © : >< # « ,] 1 2 3 4 5 6 7 8 9 _ - + ; [ ] %'))
>>> print(symbols)
! #"%&)(+-,/.132547698»:=<?>[];_|©{}«
symbols = '! #"%&)(+-,/.132547698»:=<?>[];_|©{}«'
# -*- coding: utf8 -*-
symbols = u'! #"%&)(+-,/.132547698»:=<?>[];_|©{}«'
# -*- coding: utf8 -*-
from __future__ import unicode_literals
symbols = '! #"%&)(+-,/.132547698»:=<?>[];_|©{}«'
>>> import re
>>> symbols = '! #"%&)(+-,/.132547698»:=<?>[];_|©{}«'
>>> regex = "[{0}]".format(re.escape(symbols))
>>> print(regex)
[\!\ \#\"\%\&\)\(\+\-\,\/\.132547698\»\:\=\<\?\>\[\]\;\_\|\©\{\}\«]
import re
symbols = '! #"%&)(+-,/.132547698»:=<?>[];_|©{}«'
regex = "[{0}]+".format(re.escape(symbols))
example = '''" :621 " :621 :1 ;" _ " :594 :25 4 8 0 :23 "സര്ക്കാര്ജീവനക്കാരുടെ ശമ്പളം അറിയാന് ഭാര്യമാര്ക്ക് അവകാശമുണ്ട്വിവരാവകാശകമ്മീഷന്
:621 :4 0 3 0 ;" _ " :551 :16 :3 "'''
print(re.sub(regex, "", example, re.UNICODE))
'''0സര്ക്കാര്ജീവനക്കാരുടെശമ്പളംഅറിയാന്ഭാര്യമാര്ക്ക്അവകാശമുണ്ട്വിവരാവകാശകമ്മീഷന്
00'''
import re
symbols = '!#"%&)(+-,/.0132547698»:=<?>[];_|©{}«'
regex = "[{0}]+".format(re.escape(symbols))
sub_symbols = re.compile(regex, re.UNICODE).sub
with open('/home/corpus/All12.txt', 'a') as t:
with open('/home/corpus/All11.txt', 'r') as n:
data = n.readline()
data = sub_symbols("", data).strip()
t.write(data)
#!python3
#coding: utf8
symbols = ' {}&+()"=!.?.:../|»©:><#«,123456789_-+;[]%'
D = str.maketrans('','',symbols)
with open('All12.txt','a',encoding='utf8') as t, open('All11.txt','r',encoding='utf8') as n:
for line in n:
t.write(line.translate(D))
#!python3
#coding: utf8
symbols = ' {}&+()"=!.?.:../|»©:><#«,123456789_-+;[]%'
D = str.maketrans('','',symbols)
with open('All12.txt','a',encoding='utf8') as t, open('All11.txt','r',encoding='utf8') as n:
while True:
block = n.read(100*1024*1024)
if not block:
break
t.write(block.translate(D))
line = line.decode('utf_8')
line = line.encode('ascii', 'ignore')