python计算关键字长度

有时候我们会根据关键字长度对关键字进行分类,分享下使用python的实现方式:

1.主要使用python的len()函数计算每个字符的字节数,由于中文一个字为3个字节(utf-8编码下),英文为1个字节,所以这里的处理需要区别对待,我想到的办法是分别处理两种状态,使用正则表达式的\w和\W来提取中英文。

2.排序,计算好每个关键字长度后,需要对其进行排序,这里使用了字典排序功能,关键字做key,关键字长度做value(需要注意的是不可以使用关键字长度做key,因为很多关键字长度是相同的,那么必然会被替换掉,这不是我们想要的,且关键字长度添加到字典里面去的时候必须是int(),否则排序时候不会当作数值处理)。

 Python |  copy code |? 
01
#coding:utf-8
02
#计算关键字长度并排序
03
#2014年4月11日 23:41:58
04
#by M.Shan
05
#需处理数据格式:关键字,URL
06
import re,csv
07
key=csv.reader(file('uz.csv','rb'))
08
key1=open('uz1.csv','w')
09
zidian={}
10
lists=[]
11
 
12
for line in key:
13
	reges=re.compile(r'\w',re.M)
14
	E=reges.findall(line[0])   #获取数字和英文
15
 
16
	reges1=re.compile(r'\W',re.M)
17
	C=reges1.findall(line[0])  #获取到中文
18
 
19
	English= len(E)  #获取英文长度
20
	China=len(C)/3   #获取中文长度,中文一个汉字3个字节,除以3得到汉字个数
21
	length=line[0]+','+line[1]+','+`English+China`
22
	lists.append(length)
23
 
24
for ls in lists:
25
	ls=ls.split(',')
26
	ls_value=int(ls[2])      #这一步必须转成int,否则下面的字典排序的时候不会当作数值处理,而是当作字符来处理,导致排序错误
27
	ls_key=ls[0]+','+ls[1]
28
	zidian1={ls_key:ls_value}
29
	zidian.update(zidian1)
30
 
31
cc=sorted(zidian.items(), key=lambda d:d[1], reverse=True )   #字典排序之降序,针对字典value排序(d:d[1]), reverse=true为降序
32
 
33
for key in cc:    #keys()字典的键值
34
	key1.writelines(key[0]+","+`key[1]`+"\n" )   #文件写入key1
35
	print key[0]+","+`key[1]`    #分别输出里面的数
36
 
37
key1.close()

处理后截图:

111 python计算关键字长度

python利用jieba分词进行分词,去停止词(停用词)。

上一篇文章介绍了利用python进行SEO词库去重,去重后需要对现有的词库进行去停止词操作,这里我们主要利用到了jieba分词的搜索引擎模式cut_for_search() .

去停止词主要利用了停止词词库进行去重set(jiebas)-set(stopkey)

 Python |  copy code |? 
01
#coding:utf-8
02
import jieba,csv
03
fenci=open(r'fenci_ddc.csv','w')  #数据写入到fenci_key里
04
stopkey=[line.strip().decode('utf-8') for line in open('stopkey.txt').readlines()]  
05
	#读取停止词文件并保存到列表stopkey
06
key=csv.reader(file('key_ddc.csv','rb'))  #读取需要处理的词库:key_ddc.csv
07
list1=[]
08
i=0
09
 
10
for keys in key:
11
 
12
	if i==0:	
13
		i=1
14
		jiebas=jieba.cut_for_search(keys[0]) #jieba.cut_for_search() 结巴分词搜索引擎模式		
15
		fenci_key="/".join(list(set(jiebas)-set(stopkey))) #使用join链接字符串输出
16
		list1.append(fenci_key.strip())  #将数据添加到list1列表
17
		print u'程序处理中,请等待...'
18
	else:
19
		jiebas=jieba.cut_for_search(keys[0]) 
20
		fenci_key="/".join(list(set(jiebas)-set(stopkey))) 
21
		list1.append(fenci_key.strip()) 
22
 
23
zidian={}.fromkeys(list1).keys()    #字典去重的方法
24
 
25
for zd  in zidian:
26
	try:
27
		print zd
28
	except:
29
		pass
30
	fenci.writelines(zd.encode('utf-8'))      #需要转换成utf-8格式输出
31
	fenci.writelines('\n')
32
 
33
fenci.close()
34
 
35
 
36
 
37
 
38
 
39

python实现seo词库去重脚本—定制版

之前分享了一个python实现数据去重的脚本,对付一般的需求足以满足,但是针对seo词库的特殊去重,需要做些改变,原理都一样,使用字典键的唯一性来实现我们的目标。(针对同一个词库(600w行)使用这个脚本去重比之前的脚本多去掉了一万多行的重复数据),下面贴出代码

 Python |  copy code |? 
01
#coding:utf-8
02
#词库的数据格式为:
03
#关键字,日搜索量,月搜索量
04
#爱玛,2,4
05
#雅迪,2,5
06
#绿源,3,55
07
 
08
ciku=open(r'ciku1.csv','r')   #打开需要去重文件,可自行修改
09
xieru=open(r'ciku.csv','w')  #去重的文件保存到ciku.csv去,可自行修改
10
cikus=ciku.readlines()
11
zidian={}   #创建个空字典
12
for x in cikus:
13
	try:
14
		x=x.split(',')    #sqlit 切割,通过字符串‘,’切割。
15
		x1=x[0]
16
		leng=len(x)      
17
		if leng==3:		#判断列表长度是否是3,不是3证明词库数据有一定的问题,舍弃,预防报错。
18
			x2=x[1]+','+x[2]
19
			zidian1={x1:x2}        #关键字为键,后面的为值
20
			zidian.update(zidian1)   #update添加到字典,类似列表的append的用法,向zidian里面添加zidian1
21
	except ValueError :
22
		pass
23
for key in zidian.keys():
24
	ci=key+','+zidian[key]
25
	try:
26
		print ci[0:-1].decode('utf-8').encode('gbk')
27
	except ValueError:
28
		pass
29
	xieru.writelines(ci)
30
ciku.close()
31
xieru.close()
32