- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我使用的是 Python 3.1,但如果需要我可以降级。
我有一个 ASCII 文件,其中包含一个用其中一种语言编写的短篇小说,其字母表可以用大写和/或小写 ASCII 表示。我希望:
1) 尽我所能检测编码,获得某种置信度指标(会因文件长度而异,对吧?)
2) 使用一些免费的在线服务或图书馆自动翻译整个内容。
附加问题:如果文本是用一种语言编写的,需要 2 个或更多字节来表示一个字母,而字节顺序标记对我没有帮助怎么办?
最后,我该如何处理标点符号和诸如空格之类的其他字符?它会比某些字母更频繁地出现,对吧?标点符号和字符有时可以混合使用这一事实怎么样 - 逗号可能有两种表示形式,看起来像“a”的两种表示形式等等?
是的,我已经阅读了the article by Joel Spolsky on Unicode .请至少帮我解决其中的一些问题。
谢谢!
附言这不是家庭作业,而是出于自学目的。我更喜欢使用开源且可读的字母频率库,而不是封闭、高效但可以很好地完成工作的字母频率库。
最佳答案
基本上有三个主要任务来实现所描述的应用程序:
对于 1a,您可能需要查看 decodeh.py ,除了脚本本身,它还提供了很多关于字符集和编码的非常有用的资源。 CharDet,在其他答案中提到,似乎也值得考虑。
一旦字符编码已知,如您所建议,您可以通过计算文本的字符频率配置文件并将其与已知频率匹配来解决 1b)。虽然简单,但这种方法通常提供不错的准确率,尽管它在较短的文本和遵循特定模式的文本上可能较弱;例如,大量引用公制单位的法语文本中字母 M、K 和 C 的比例异常高。
一种互补且非常相似的方法,使用二元语法(两个字母的序列)和三元语法(三个字母)以及各种语言中相应的频率分布引用表。
其他语言检测方法涉及对文本进行标记化,即考虑文本中的单词。 NLP 资源包括包含各种语言中最常用单词的表格。这些词通常是冠词、所有格形容词、副词等。
语言检测的另一种解决方案是依靠在线翻译服务为我们解决这个问题。重要的是向翻译服务提供其理解的字符编码文本,提供语言可能是多余的。
最后,由于许多实际的 NLP 应用程序,您可能会决定实现多个解决方案。通过使用策略设计模式,可以按特定顺序应用多个过滤器/分类器/步骤,并根据情况在不同点退出此逻辑。例如,如果一个简单的字符/二元组频率将文本与英语相匹配(偏差很小),那么人们可能就到此为止了。否则,如果猜测的语言是法语或德语,则进行另一次测试等。
关于Python - 字母频率计数和翻译,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/2233355/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!