在Python字典中忽略重复的词

Question

我有一个Python脚本，它可以处理'.html'文件，去掉一些常见的无意义词（我们叫它们停用词），然后把剩下的所有词放到一个Python字典里。但是，如果同一个词在多个文件中出现，我希望它只返回一次。也就是说，最终的结果里要包含所有非停用词，每个词只出现一次。

def run():
filelist = os.listdir(path)
regex = re.compile(r'.*<div class="body">(.*?)</div>.*', re.DOTALL | re.IGNORECASE)
reg1 = re.compile(r'<\/?[ap][^>]*>', re.DOTALL | re.IGNORECASE)
quotereg = re.compile(r'&quot;', re.DOTALL | re.IGNORECASE)
puncreg = re.compile(r'[^\w]', re.DOTALL | re.IGNORECASE)
f = open(stopwordfile, 'r')
stopwords = f.read().lower().split()
filewords = {}

htmlfiles = []
for file in filelist:
    if file[-5:] == '.html':
        htmlfiles.append(file)
        totalfreq = {}


for file in htmlfiles:
    f = open(path + file, 'r')
    words = f.read().lower()
    words = regex.findall(words)[0]
    words = quotereg.sub(' ', words)
    words = reg1.sub(' ', words)
    words = puncreg.sub(' ', words)
    words = words.strip().split()

    for w in stopwords:
        while w in words:
            words.remove(w)


    freq = {}
    for w in words:
            words=words
    print words

if __name__ == '__main__':
run()

Answer 1

使用一个集合。只需将你找到的每个单词添加到集合中；它会自动忽略重复的单词。

假设你有一个迭代器，可以逐个返回文件中的每个单词（这适用于纯文本；处理HTML会复杂一些）：

def words(filename):
    with open(filename) as wordfile:
        for line in wordfile:
            for word in line.split():
                yield word

然后将它们放入一个集合中是很简单的：

wordlist = set(words("words.txt"))

如果你有多个文件，只需这样做：

wordlist = set()
wordfiles = ["words1.txt", "words2.txt", "words3.txt"]

for wordfile in wordfiles:
    wordlist |= set(words(wordfile))

你还可以用集合来存放你的停用词。这样在处理完单词列表后，你可以简单地将停用词从中减去，这样可能会比在添加每个单词之前检查它是否是停用词要快。

stopwords = set(["a", "an", "the"])
wordlist -= stopwords