Python中使用正则表达式的字数计算

使用正则表达式计算文档中英文单词的正确方法是什么

我试过：

words=re.findall('\w+', open('text.txt').read().lower())
len(words)

但我似乎少了几个字（与gedit中的字数相比）。 我做得对吗

---

非常感谢

这似乎和预期的一样有效

>>> import re
>>> words=re.findall('\w+', open('/usr/share/dict/words').read().lower())
>>> len(words)
234936
>>> 
bash-3.2$ wc /usr/share/dict/words
  234936  234936 2486813 /usr/share/dict/words

你为什么要把你的话小写？那跟伯爵有什么关系

我认为以下措施更有效：

words=re.findall(r'\w+', open('/usr/share/dict/words').read())

---

使用\w+将无法正确计算包含撇号或连字符的单词，例如“不能”将被计算为2个单词。它还将计算数字（数字串）；“12345”和“6.7”将分别算作两个单词（“12”和“345”、“6”和“7”）。

我建议您尝试找出遗漏了哪些单词。您应该能够改进您的正则表达式以包含此类单词。它不应该是

\\w+

吗？或者这是有意的吗？@Constantinius:为了清楚起见，它可能应该是

'\\w+'

或

r'\w+'

，但是

\w

不是Python字符串中已知的转义序列，因此，

“\w+”

被解释为一个反斜杠-w-plus。“英语单词”，你说？您是否在对照已知的“英语单词”词典进行验证？你会扔掉那些从法语和其他语言借来的吗？谢谢大家的评论@那只是因为我的母语是汉语，我应该写“单词”来代替：）是的，那是完全没有必要的。我刚从一个程序中得到这段代码，该程序在一个文档中查找最常用的单词，他们使用它，因此“Hello”和“Hello”将被视为同一个单词。@Zhe:小写对这段代码没有影响。如果你想数一数独特单词的数量，那么这将产生不同。我建议使用

套装

。谢谢！我应该考虑一下：）python文档中说得很清楚…但是等等，这只会让我的数字变少而不是变多…：(