编写简单的Python程序来判断文本的语种

2018-09-23 20:28

阅读:510

  1.问题的描述

  用Python进行文本处理时,有时候处理的文本中包含中文、英文、日文等多个语系的文本,有时候不能同时进行处理,这个时候就需要判别当前文本是属于哪个语系的。Python中有个langid工具包提供了此功能,langid目前支持97种语言的检测,非常好用。

  
2.程序的代码

  以下Python是调用langid工具包来对文本进行语言检测与判别的程序代码:

   import langid #引入langid模块 def translate(inputFile, outputFile): fin = open(inputFile, r) #以读的方式打开输入文件 fout = open(outputFile, w) #以写的方式打开输出文件 for eachLine in fin: #依次读入每一行 line = eachLine.strip().decode(utf-8, ignore) #去除每行的首位空格等,并统一转化成Unicode lineTuple = langid.classify(line) #调用langid来对该行进行语言检测 if lineTuple[0] == zh: #如果该行语言大部分为中文,则不进行任何处理 continue outstr = line #如果该行语言为非中文,则准备输出 fout.write(outstr.strip().encode(utf-8) + \n) #输出非中文的行,从Unicode转化成utf-8输出 fin.close() fout.close() if __name__ == __main__: #相当于main函数 translate(myInputFile.txt, myOutputFile.txt)

  以上代码是用来处理一个文本,将不属于中文的行依次输出到一个新的文件。

  
3.注意

  第9、10行代码,langid.classify(line)的输出结果是一个二元组,二元组的第一项表示该文本所属的语系,如:zh表示中文、en表示英语、等等;二元组的第二项表示该文本中属于第一项中语系的所占比例。

  希望对大家有所帮助。


评论


亲,登录后才可以留言!