Python文字整理案例分析《全唐詩》文字整理

全唐詩文字語料在「全唐詩.txt」檔案中，請參考語料閱讀以下內容。

我們計畫將《全唐詩》中的每一首詩的各種資訊分別提取出來，並轉存為csv的形式。根據對文字的初步了解，我們發現我們需要提取的資訊（即絕大部分詩文都包含的共性資訊）包括：

雖然有的詩並沒有作者（例如卷899_19），但是在整體結構設計的時候不用考慮它們。

在了解文字的過程中，主要圍繞需要提取的資訊的形式；通過了解文字，我們基本上得到可以解析大部分文字內容的規律性方法。

卷25_7【雜曲歌辭·俠客行】李白趙客縵胡纓，吳鉤霜雪明。銀鞍照白馬，颯沓如流星。十步殺一人，千里不留行。事了拂衣去，深藏身與名。閒過信陵飲，脫劍膝前橫。將炙啖朱亥，持觴勸侯嬴。三杯吐然諾，五岳倒為輕。眼花耳熱後，意氣素霓生。救趙揮金槌，邯鄲先震驚。千秋二壯士，烜赫大樑城。縱死俠骨香，不慚世上英。誰能書閣下，白首太玄經。卷106_7 【送金城公主適西蕃應制】鄭愔下嫁戎庭遠，和親漢禮優。笳聲出虜塞，簫曲背秦樓。

貴主悲黃鶴，徵人怨紫騮。皇情眷億兆，割念俯懷柔。主

首先，通過了解我們發現每首詩的形式，都類似以上的形式。以乙個標題行開始，標題行中基本上都包括卷編號和詩編號（卷[0-9]+_[0-9]+）和標題（【[^】]+】）兩部分，有的時候也會包含作者名。因此，我們可以以標題行為標誌，一旦發現標題行，就認為一首詩的內容已經結束，下一首詩的內容即將開始（即完成一首詩的整理）。

接著，通過仔細觀察，我們發現標題行、詩文中偶爾會有多餘的空格（包括半形或全形）出現，在詩文末尾還會有校注者知古齋主的標註。因此，對每一行我們需要進行初步的清洗，包括移除空格、換行符和校注者的標註（(?<=[），。])[知古齋主]$）。

至此，我們已經可以提取出卷編號、詩編號、標題、內容這四部分，但是作者部分仍然存在一些問題。經過進一步的觀察，我們發現當作者位於標題行時，作者名是除了卷編號、詩編號、標題以外的唯一的中文內容；當作者名存在於標題行之後的某一行中時，該行為不包含任何標點符號的一行。

此外，我們發現，卷的標題（「第一百六十三卷」、「卷一百六十四」等）、版權資訊等內容也是非詩文的無效內容，我們也需要通過正規表示式等方法過濾掉它們。

在對文字初步了解的基礎上，我們可以實現對文字的解析。整體邏輯結構如下：按行遍歷文字語料；若該行為標題行，則解析當前詩作資訊；若該行非標題行，則將當前行的內容存入當前詩作的內容中。

在遍歷的過程中，我們需要對各行的文字語料進行清洗，並過濾空行、無效行等。

在解析過程中，我們可以將解析的結果儲存到list中，list中的每個元素為一首詩，每個元素包括卷編號、詩編號、標題、作者、內容五個屬性。

讀取文字語料

首先，按行讀取txt格式的《全唐詩》文字語料。

with
open
("全唐詩.txt"
, encoding=
"utf-8")as
file
:    lines =
file
.readlines(
)print
("總行數:"
,len
(lines)
)

清洗文字語料

對每一行都進行的文字清洗：

line = line.replace(
"\n",""
).replace(
"　","")
.replace(
" ","")
line = re.sub(
"卷[一二三四五六七**十百]+",""
, line)
line = re.sub(
"第[一二三四五六七**十百]+卷",""
, line)

僅對文字內容行進行的文字清洗：

line = line.replace(
"¤",
"。")
# 將錯誤句號替換為標準句號
line = re.sub(
"(?<=[），。])[知古齋主]$",""
, line)
# 剔除校注者名稱

過濾無效行（先文字清洗再過濾無效行，一遍將「第一百六十三卷」等過濾掉）：

if "知古齋主精校" in line or in line or "[email protected]" in line:

continue

文字語料解析

在標題行中提取卷編號（python 3.8+）：

if book_regex :
= re.search(
"(?<=卷)[0-9]+(?=_)"
, line)
:    book_num =
int(book_regex.group())
# 讀取卷編號

在標題行中提取詩編號（python 3.8+）：

if poem_regex :
= re.search(
"(?<=_)[0-9]+"
, line)
:    poem_num =
int(poem_regex.group())
# 讀取詩編號

在標題行中提取標題（python 3.8+）：

if title_regex := re.search("(?<=【)[^】]+(?=】)", line):
title = title_regex.group()  # 讀取標題

在標題行中嘗試提取作者（python 3.8+）：

line = re.sub(
"卷[0-9]+_[0-9]+",""
, line)
line = re.sub(
"【[^】]+】",""
, line)
if author_regex :
= re.search(
"[\u4e00-\u9fa5]+"
, line)
:    author = author_regex.group(
)# 如果作者名位於標題行，則為清除其他所有內容後剩餘的中文

if
not re.search(
"[，。？！]"
, line)
:	author_regex = re.search(
"[\u4e00-\u9fa5]+"
, line)
author = author_regex.group(
)

非標題行中的內容在清洗之後直接新增到詩文的內容中即可。

在文字解析完成後，我們可以將儲存在list中的臨時資料儲存到檔案中。

with
open
("全唐詩(清洗後).txt"
,"w+"
, encoding=
"utf-8")as
file
:for poem_item in poem_list:
file
.write(
",".join(
[str
(poem_item[
"卷編號"])
,str
(poem_item[
"詩編號"])
, poem_item[
"標題"
], poem_item[
"作者"],
poem_item[
"內容"]]
)+"\n"
)

完整源**

Python文字整理案例分析《全唐詩》文字整理

python，文字分析

Python資料分析整理

基於Python的情感分析案例

Python文字整理案例分析 《全唐詩》文字整理

python，文字分析

Python資料分析整理

基於Python的情感分析案例

相關推薦

Python文字整理案例分析《全唐詩》文字整理