Python: 自动纠正

Question

我有两个文件，分别叫 check.txt 和 orig.txt。我想检查 check.txt 中的每一个单词，看看它是否和 orig.txt 中的任何单词匹配。如果匹配上了，代码就应该把这个单词替换成它第一次匹配到的那个单词；如果没有匹配上，就保持这个单词不变。不过现在代码似乎没有按预期工作。请帮帮我。

check.txt 的内容是这样的：

ukrain

troop

force

而 orig.txt 的内容是：

ukraine cnn should stop pretending & announce: we will not report news while it reflects bad on obama @bostonglobe @crowleycnn @hardball

rt @cbcnews: breaking: .@vice journalist @simonostrovsky, held in #ukraine now free and safe http://t.co/sgxbedktlu http://t.co/jduzlg6jou

russia 'outraged' at deadly shootout in east #ukraine -  moscow:... http://t.co/nqim7uk7zg
 #groundtroops #russianpresidentvladimirputin

http://pastebin.com/XJeDhY3G

f = open('check.txt','r')
orig = open('orig.txt','r')
new = open('newfile.txt','w')

for word in f:
    for line in orig:
        for word2 in line.split(" "):
            word2 = word2.lower()            
            if word in word2:
                word = word2
            else:
                print('not found')
        new.write(word)

Answer 1

你的代码有两个问题：

1. 当你遍历 f 中的单词时，每个单词后面还会有一个换行符，所以你的 in 检查就不管用了。
2. 你想要对 f 中的每个单词都去遍历 orig，但是文件是一个迭代器，读取一次后就不能再用了。

你可以通过使用 word = word.strip() 来去掉换行符，并用 orig = list(orig) 将 orig 转换成列表来解决这些问题，或者你可以试试下面这种方法：

# get all stemmed words
stemmed = [line.strip() for line in f]
# set of lowercased original words
original = set(word.lower() for line in orig for word in line.split())
# map stemmed words to unstemmed words
unstemmed = {word: None for word in stemmed}
# find original words for word stems in map
for stem in unstemmed:
    for word in original:
        if stem in word:
            unstemmed[stem] = word
print unstemmed

或者更简洁一些（不需要最后的双重循环），可以使用 difflib，正如评论中提到的：

unstemmed = {word: difflib.get_close_matches(word, original, 1) for word in stemmed}

另外，记得要 close 你的文件，或者使用 with 关键字，这样可以自动关闭文件。