python爬取托福_Python 统计托福作文词频
随着 AI 的大热,我的好奇心也受到了吸引。阅读了一些文章后发现,Pyhton 是一个非常适合 AI 编程的语言。于是开始了对其打怪升级的探索。
探索中发现,Python 提供丰富的库来帮助开发者们进行数据分析。自己由于工作需要,正好在准备托福写作。于是,当 Python 遇上 Tofel,一场美丽的邂逅便展开了。
目标
笔者完成了 5 篇托福作文后,想分析一下哪些词是我最常用的,进而学习这些词的同义词,扩大词汇量,然后在作文中自由替换。
思路
利用 Python 读取文件
统计每篇文章的词频
合并 5 篇文章的词频
输出前 10 词频的单词
行动
STEP 1:
导出作文
笔者使用 Evernote 进行写作,其支持导出 hmtl 格式文件。导出后,重命名文件方便读取。
重命名
STEP 2:
通过分析 html 文件,我发现正文都在
中。通过查询,发现 BeautifulSoup 库可以帮助处理 html 格式文件。
于是:
def filter_html(html):
soup = BeautifulSoup(html, 'html.parser')
# 需要过滤
标签,避免作文题目干扰
text = soup.body.get_text()
return text
STEP 3:
接下来,需要统计一篇文章中每个单词的出现个数。这里主要用到了 re, collections.counter 两个 Python 内置对象。
def calculate_words_frequency(file):
# 读取文件
with open(file) as f:
# html 处理
f = filter_html(f)
line_box = []
word_box = []
# 转成小写并将句子分成词
line_box.extend(f.strip().lower().split())
# 去除标点符号的影响
for word in line_box:
if not word.isalpha():
word = filter_puctuation(word)
word_box.append(word)
# 统计词频
word_box = fileter_simple_words(collections.Counter(word_box))
return word_box
这里解释一下 filter_puctuation()这个函数。当笔者输出词频结果时,发现由于标点符号的存在,很多单词的尾部会跟着. , or ?
为了避免标点对词频统计的干扰,笔者使用了简单的正则去过滤掉标点。(正则不太会,测试时够用,应该有更简单和全面的写法)
# 过滤单词尾部的,.?"和头部的"
def filter_puctuation(word):
return re.sub(r'(\,$)|(\.$)|(\?$)|(\"$)|(^\")', '', word)
STEP 4:
在测试结果集的时候发现,排名靠前的单词都是介词,代词,连词等常用词。如 he, and, that. 但这些词并不是笔者想要的,于是需要先把常用简单词汇给过滤掉,再统计词频。(我手动敲了一些,应该网上有更全的清单)
def fileter_simple_words(words):
# 过滤词清单
simple_words = ['the', 'a', 'an', 'to', 'is',
'am', 'are', 'the', 'that', 'which',
'i', 'you', 'he', 'she', 'they',
'it', 'of', 'for', 'have', 'has',
'their', 'my', 'your', 'will', 'all',
'but', 'while', 'with', 'only', 'more',
'who', 'should', 'there', 'can', 'might',
'could', 'may', 'be', 'on', 'at',
'after', 'most', 'even', 'and', 'in',
'best', 'better', 'as', 'no', 'ever',
'me', 'not', 'his', 'her'
]
# words type is counter.
for word in list(words):
if word in simple_words:
del words[word]
return words
STEP 5:
快接近尾声啦。在统计完 1 篇文章的词频后,我需要将 5 篇文章的词频求和。鉴于 counter
对象的可加性,于是
def multiple_file_frequency(files):
total_counter = collections.Counter()
for file in files:
total_counter += calculate_words_frequency(file)
return total_counter
STEP 6:
求和之后,我想知道前 10 高频的词汇是哪些。
def most_common_words(files, number):
total_counter = multiple_file_frequency(files)
return total_counter.most_common(number)
STEP 7:
最后,使用 Python 可视化工具把结果生成柱状图。
def draw_figures(figures):
labels, values = zip(*figures)
indexes = np.arange(len(labels))
width = 0.5
plt.bar(indexes, values, width)
plt.xticks(indexes, labels)
plt.show()
Final results
大功告成。
学托福
好不容易算出来了结果,当然要好好利用啦。
通过同义词网站 Thesaurus,我可以查询单词的同义词。Take parents and teachers as examples.
parent thesaurus
image thesaurus
接下来我会选取一些同义词进行记忆,提高自己的词汇量,然后在写作中灵活替换,从而提高写作能力。当然,考试时,也会提高分数。
毕竟 appropriate word choice 是托福写作的一项考核标准。
改进
花了半天时间做这个小 Demo,有一些地方是自己觉得可以以后继续研究的。
简单词的词库更新
自动批量读取文件,无需重命名,手动输入
数据图更直观,美观 (研究 numpy, pandas, matplotlib.pyplot)
结果存储为 cvs,便于日后使用
Reference
python爬取托福_Python 统计托福作文词频相关推荐
- python爬取电子书_python爬取计算机电子书(源码移步github)
摘要:今年第一个项目,python爬取网络上公开的计算机电子书近8000本,在此基础上简要分析计算机专业的发展变迁.部分整理好的书籍下载链接见文末.代码链接见文末. 计算机诞生以来不到100年,学术的 ...
- python爬取资料_Python爬取FLASH播放器中的资料
Python爬取FLASH播放器中的资料. 一.首先了解一下AMF协议:AMF(Action Message Format)是Flash与服务端通信的一种常见的二进制编码模式,其传输效率高,可以在HT ...
- python爬取评论_python爬取网易云音乐评论
本文实例为大家分享了python爬取网易云音乐评论的具体代码,供大家参考,具体内容如下 import requests import bs4 import json def get_hot_comme ...
- python爬取王者_python 爬取王者荣耀高清壁纸
一.前言 打过王者的童鞋一般都会喜欢里边设计出来的英雄吧,特别想把王者荣耀的英雄的高清图片当成电脑桌面 预览一下桌面吧: 是不是看着这样的桌面也很带感,_ (学会这个技术,你可以爬取其他网站的类似图片 ...
- python爬取歌曲_python爬取网易云音乐热歌榜实例代码
首先找到要下载的歌曲排行榜的链接,这里用的是: https://music.163.com/discover/toplist?id=3778678 然后更改你要保存的目录,目录要先建立好文件夹,例如我 ...
- python爬取流浪地球_python爬取《流浪地球》获十几万评论点赞,超给力!
原标题:python爬取<流浪地球>获十几万评论点赞,超给力! 我自己到现在其实还没看这部电影,毕竟这电影这么火,电影院现在都很难买到好的位置.所以我打算不如先看看大家是怎么评价这部电影的 ...
- python爬取王者_python爬取王者荣耀全皮肤的简单实现代码
相信现在很多人都喜欢玩王者荣耀这款手游,里面好看的皮肤令人爱不释手.那么你有没有想过把王者荣耀高清皮肤设置为壁纸,像下面这样 今天就来教大家如何利用python16行代码,实现王者荣耀全部高清皮肤的下 ...
- python爬取喜马拉雅_Python爬虫实战案例之爬取喜马拉雅音频数据详解
这篇文章我们来讲一下在网站建设中,Python爬虫实战案例之爬取喜马拉雅音频数据详解.本文对大家进行网站开发设计工作或者学习都有一定帮助,下面让我们进入正文. 前言 喜马拉雅是专业的音频分享平台,汇集 ...
- python爬取网页内容_Python爬虫原理解析
笔者公众号:技术杂学铺 笔者网站:mwhitelab.com 本文将从何为爬虫.网页结构.python代码实现等方面逐步解析网络爬虫. 1. 何为爬虫 如今互联网上存储着大量的信息. 作为普通网民,我 ...
- python爬取天天基金_python多线程+代理池爬取天天基金网、股票数据过程解析
简介 提到爬虫,大部分人都会想到使用Scrapy工具,但是仅仅停留在会使用的阶段.为了增加对爬虫机制的理解,我们可以手动实现多线程的爬虫过程,同时,引入IP代理池进行基本的反爬操作. 本次使用天天基金 ...
最新文章
- Task中的异常处理
- Mocha Pro 2020中文版
- mysql workbench建表时PK,NN,UQ,BIN,UN,ZF,AI
- QT绘制变焦线(Zoom Line)
- 运行在TQ2440开发板上以及X86平台上的linux内核编译
- sql 替换text字段中的指定字符
- Kaggle新上比赛预测地震-总奖池5万美金
- IOS学习笔记03---C语言概述
- 上午的工作多以学习为主
- java 高斯投影_高斯投影正算公式以及java代码
- android条码扫描串口,串口条码扫描器的正确安装方法[图解]
- paypal如何支付欧元_涨姿势!Paypal怎么用?
- python r语言 作图_科学网—生物信息绘图之python绘图 - 孙朋川的博文
- 魅族pro5 刷机 android,魅族 PRO5中文Recovery刷机教程
- Cocos Creator 开发微信小游戏 打包上线
- 综述:基于深度学习的文本分类 --《Deep Learning Based Text Classification: A Comprehensive Review》总结(二)
- 尤里复仇退出界面_红色警戒2、尤里的复仇win10卡死、分辨率太大、黑屏问题多种解决方法(已测)...
- autoit3模拟鼠标点击之MouseClick
- 拼多多跨境电商如何快速上架商品?
- 一个屌丝程序猿的人生(九十四)