推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 2731 天前的主题，其中的信息可能已经有所发展或是发生改变。
原帖地址： https://segmentfault.com/q/1010000010016451
如题，简单一点的功能是如何对一份英文 API 开发文档进行词频的统计？（文档可能是多个 html 文件，也可能是 chm 文件，不是简单的 txt 文本）；
复杂一点的需求是，因为开发文档涉及很多类名、函数或方法名等，单词可能会连在一起，统计时最好能够分开（涉及英文分词技术）；
再复杂一点的需求是，因为单纯统计一个文档的词频没多大的实际意义，如何将统计后的单词再加工处理：
-
剔除掉一些简单的，并对开发来说没多大意义的单词，如 the, are, to, is ……
-
分析出里面涉及到计算机的专业名词或编程语言的关键字（涉及到文档对应的不同语言）；
-
对最终分析出的单词标注出解释（中文）……
如果开发具有以上功能的软件，具体需要涉及哪些技术？ Python ？英语分词技术？机器学习？欢迎提供你的想法……
呃，其实我的痛点是，看一份英文文档时，有太多不懂的单词，经常要去查单词，效率太低了，如果有一个工具可以统计分析出一份文档的词汇，就可以在看文档前先大致熟悉词汇的意思，提高效率；而且对于开发时，命名也有帮助……
 |
1
Chingim 2017-07-02 17:45:03 +08:00 via Android
痛点加一。
以前曾经用这种方法看美剧。统计一遍字幕单词，过一遍词汇就可以看了。 不过字幕文件是纯文本，毕竟容易处理 |
 |
2
Kilerd 2017-07-02 18:12:30 +08:00 via iPhone
墨墨背单词有单词本功能，可以大致的提炼出单词列表
|
 |
3
halfcoder 2017-07-02 19:00:11 +08:00  1
多个 html 也好，单个 chm 也好，txt 也罢，你首先都需要将其转换为纯文本单词流。这可能需要你预先完成去除 html 标签 /解压 chm 文件 /去除无用内容等工作。
英文分词应该有现成工具可用，搜一下就有了 the, are, to, is 这些停用词有现成的停用词列表，直接拿过来用即可。 专业名词可能需要自己整理一部分，关键字请参加语言标准。 标出解释需要使用开放的词典 API。 |
 |
4
est 2017-07-02 19:06:37 +08:00
tfidf
|
 |
5
cxbats 2017-07-02 19:55:09 +08:00 via Android
nltk
|
|
6
Kilerd 2017-07-02 20:01:58 +08:00
想了一个最简单的实现方案
维护一个文本，一行一个单词，作为排除列表 然后用 regex 去提取页面所有单词 ([a-zA-Z]+(('|-)[a-zA-z]+)?) 可以匹配 I'm a google-based programer. 里面的所有单词 然后再判断这些单词在不在排除列表里面， 就得到的一个 需要查询的单词列表 然后就调用 API 去查询单词一次，存进 dict 里面就好了。 easy job! |
 |
7
gsx123 2017-07-02 20:12:43 +08:00
貌似我开发的 爱英阅 大致能满足楼主需求^-^： http://iyingyue.net/iyingyue/index.html
chm 文档可以先转成 pdf 再提取 |
 |
8
Haci OP |
 |
9
zingl 2017-07-02 23:00:51 +08:00
正经程序员命名的时候都会用-、_、大小写其中一个做分词吧
|
 |
10
PythonAnswer 2017-07-03 00:21:46 +08:00 via Android
导出纯文本。只分析正文。
|
 |
11
Bryan0Z 2017-07-03 00:37:33 +08:00 via Android
先下载下来，保存为 txt，用 hadoop 跑一遍 word count，然后手工筛选单词
|
Select Language