1.問題的描述
用Python進(jìn)行文本處理時，有時候處理的文本中包含中文、英文、日文等多個語系的文本，有時候不能同時進(jìn)行處理，這個時候就需要判別當(dāng)前文本是屬于哪個語系的。Python中有個langid工具包提供了此功能，langid目前支持97種語言的檢測，非常好用。
2.程序的代碼
以下Python是調(diào)用langid工具包來對文本進(jìn)行語言檢測與判別的程序代碼：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
import langid #引入langid模塊 def translate(inputFile, outputFile): fin = open(inputFile, 'r') #以讀的方式打開輸入文件 fout = open(outputFile, 'w') #以寫的方式打開輸出文件 for eachLine in fin: #依次讀入每一行 line = eachLine.strip().decode('utf-8', 'ignore') #去除每行的首位空格等，并統(tǒng)一轉(zhuǎn)化成Unicode lineTuple = langid.classify(line) #調(diào)用langid來對該行進(jìn)行語言檢測 if lineTuple[0] == "zh": #如果該行語言大部分為中文，則不進(jìn)行任何處理 continue outstr = line #如果該行語言為非中文，則準(zhǔn)備輸出 fout.write(outstr.strip().encode('utf-8') + '\n') #輸出非中文的行，從Unicode轉(zhuǎn)化成utf-8輸出 fin.close() fout.close() if __name__ == '__main__': #相當(dāng)于main函數(shù) translate("myInputFile.txt", "myOutputFile.txt") |
以上代碼是用來處理一個文本，將不屬于中文的行依次輸出到一個新的文件。
3.注意
第9、10行代碼，langid.classify(line)的輸出結(jié)果是一個二元組，二元組的第一項表示該文本所屬的語系，如：zh表示中文、en表示英語、等等；二元組的第二項表示該文本中屬于第一項中語系的所占比例。
希望對大家有所幫助。
