Python - обработка неструктурированных данных

Данные, которые уже представлены в формате строки и столбца или которые можно легко преобразовать в строки и столбцы, чтобы впоследствии они могли хорошо вписаться в базу данных, известны как структурированные данные. Примерами являются файлы CSV, TXT, XLS и т. Д. Эти файлы имеют разделитель и фиксированную или переменную ширину, где отсутствующие значения представлены в виде пробелов между разделителями. Но иногда мы получаем данные, в которых линии не имеют фиксированной ширины, или это просто файлы HTML, изображения или PDF. Такие данные известны как неструктурированные данные. В то время как файл HTML можно обрабатывать путем обработки тегов HTML, канал из Twitter или простой текстовый документ из канала новостей может без разделителя не иметь тегов для обработки. В таком сценарии мы используем различные встроенные функции из различных библиотек Python для обработки файла.

Чтение данных

В приведенном ниже примере мы берем текстовый файл и читаем его, разделяя каждую из строк в нем. Затем мы можем разделить вывод на следующие строки и слова. Исходный файл представляет собой текстовый файл, содержащий несколько абзацев, описывающих язык Python.

filename = 'path\input.txt'  

with open(filename) as fn:  

# Read each line
   ln = fn.readline()

# Keep count of lines
   lncnt = 1
   while ln:
       print("Line {}: {}".format(lncnt, ln.strip()))
       ln = fn.readline()
       lncnt += 1

Когда мы выполняем приведенный выше код, он дает следующий результат.

Line 1: Python is an interpreted high-level programming language for general-purpose programming. Created by Guido van Rossum and first released in 1991, Python has a design philosophy that emphasizes code readability, notably using significant whitespace. It provides constructs that enable clear programming on both small and large scales.
Line 2: Python features a dynamic type system and automatic memory management. It supports multiple programming paradigms, including object-oriented, imperative, functional and procedural, and has a large and comprehensive standard library.
Line 3: Python interpreters are available for many operating systems. CPython, the reference implementation of Python, is open source software and has a community-based development model, as do nearly all of its variant implementations. CPython is managed by the non-profit Python Software Foundation.

Подсчет частоты слов

Мы можем подсчитать частоту слов в файле, используя функцию счетчика следующим образом.

from collections import Counter

with open(r'pathinput2.txt') as f:
               p = Counter(f.read().split())
               print(p)

Когда мы выполняем приведенный выше код, он дает следующий результат.

Counter({'and': 3, 'Python': 3, 'that': 2, 'a': 2, 'programming': 2, 'code': 1, '1991,': 1, 'is': 1, 'programming.': 1, 'dynamic': 1, 'an': 1, 'design': 1, 'in': 1, 'high-level': 1, 'management.': 1, 'features': 1, 'readability,': 1, 'van': 1, 'both': 1, 'for': 1, 'Rossum': 1, 'system': 1, 'provides': 1, 'memory': 1, 'has': 1, 'type': 1, 'enable': 1, 'Created': 1, 'philosophy': 1, 'constructs': 1, 'emphasizes': 1, 'general-purpose': 1, 'notably': 1, 'released': 1, 'significant': 1, 'Guido': 1, 'using': 1, 'interpreted': 1, 'by': 1, 'on': 1, 'language': 1, 'whitespace.': 1, 'clear': 1, 'It': 1, 'large': 1, 'small': 1, 'automatic': 1, 'scales.': 1, 'first': 1})