分詞、去停用詞

分詞、去停用詞

#https://github.com/xgli/jieba

import os
import jieba

# 未分詞語料庫路徑
corpus_path =r' '
# 分詞後語料庫路徑
seg_path = r' '
# 停用詞路徑
stop_list_Path = r' '

def stopwordsList(stop_list_Path):
    f = open(stop_list_Path,'r',encoding='utf-8')
    stopwords = [line.strip() for line in f.readlines()]
    return stopwords

def readfile(filepath):
    f = open(filepath,'r',encoding='gb2312',errors='ignore')
    content = f.read()
    # read()返回的是字符串,讀全文本的內容。readline()返回一行，是字符串類型。readlines()讀取所有行，保存在列表中
    f.close()
    return content
    # 這裏返回整個文本，以便後續進行分詞
    
def savefile(seg_path,content):
    f = open(seg_path,'w',encoding='utf-8')
    f.write(content)
    f.close()

def tikenizer_and_removeStoplist(corpus_path,stop_list_Path):
    cate_dir = os.listdir(corpus_path) # 獲取子類別目錄
    for cate in cate_dir:
        cate_complete_dir = corpus_path+'\\'+cate+"\\" # 獲取子類別的完整路徑
        seg_cate_complete_dir = seg_path + '\\' + cate + "\\"
        if not os.path.exists(seg_cate_complete_dir): # 創建分詞後的保存的路徑
            os.makedirs(seg_cate_complete_dir)
        file_dir = os.listdir(cate_complete_dir)#獲取每個類別下的文件
        for file in file_dir:
            file_complete_dir = cate_complete_dir+file # 獲取每個類別下的文件的完整路徑
            content = readfile(file_complete_dir) # 返回這個文本
            # 對文本進行處理,刪除換行以及多餘空格
            content = content.replace("\n",'').strip()
            content_seg = jieba.cut(content)
            #創建停用詞表
            stopwords = stopwordsList(stop_list_Path)
            outstr =''
            for word in content_seg:
                if word not in stopwords:
                    if word !='\t':
                        outstr+=word
                        outstr+=" "
            savefile(seg_cate_complete_dir+"\\"+file,' '.join(outstr))
    print("分詞結束")