学步园

从普通文件中例如txt中读到的中文是使用gbk编码的。但是我始终不知道decode('gbk')之后是什么编码。但是那种应该是某个unicode编码.

我不知道有没有好的处理方式。但是中文分词要先分句。结果我使用string.maketrans()或者是re.sub()..都没有起到将七七八八的符号转换为空格的效果。最后发现可能是由于编码的问题。然后使用了笨方法来做分句，一个一个字符读，读到对应的就分句。另外注意这里如果是gbk编码一定要decode('gbk'),而且不能编码成utf-8,也不能使用过去的gbk活着gb2312编码。否则你分出来的句子就会有乱码的问题。这个问题，我一直不明白为啥米。下面是：

def Cut(cutlist,lines):<br /> l = []<br /> line = []</p> <p> for i in lines:<br /> if FindTok(cutlist,i):<br /> l.append("".join(line))<br /> l.append(i)<br /> line = []<br /> else:<br /> line.append(i)<br /> return l

然后以行读文件，在切分行为句。上面返回的结果中含有标点符号。标点符号单独存。并且可能结果中包含空格。

cutlist = "[。，,！……!《》<>/"':：？/?、/|“”‘’；]{}（）{}【】()｛｝（）：？！。，;、~——+％%`:“”＂'‘/n/r".decode('gbk')<br /> for lines in file(inputfilename):<br /> l = Cut(list(cutlist),list(lines.decode('gbk')))<br /> for line in l:<br /> if line.strip() <> "":#这里可能包含空格<br /> li = line.strip().split()<br /> for sentence in li:<br /> print "se:",sentence

大家要copy代码的时候注意格式。反正不管怎么说，总算把中文分句搞定了。大家可以根据自己的需要减少或者增加cutlist