编写简单的Python程序来判断文本的语种

时间:2022-01-27 02:58:08

1.问题的描述

用Python进行文本处理时,有时候处理的文本中包含中文、英文、日文等多个语系的文本,有时候不能同时进行处理,这个时候就需要判别当前文本是属于哪个语系的。Python中有个langid工具包提供了此功能,langid目前支持97种语言的检测,非常好用。


2.程序的代码

以下Python是调用langid工具包来对文本进行语言检测与判别的程序代码:
 

?
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模块
  
def translate(inputFile, outputFile):
  fin = open(inputFile, 'r')                  #以读的方式打开输入文件
  fout = open(outputFile, 'w')                 #以写的方式打开输出文件
  
  for eachLine in fin:                     #依次读入每一行
    line = eachLine.strip().decode('utf-8', 'ignore')   #去除每行的首位空格等,并统一转化成Unicode
    lineTuple = langid.classify(line)           #调用langid来对该行进行语言检测
    if lineTuple[0] == "zh":               #如果该行语言大部分为中文,则不进行任何处理
      continue
  
    outstr = line                     #如果该行语言为非中文,则准备输出
    fout.write(outstr.strip().encode('utf-8') + '\n')   #输出非中文的行,从Unicode转化成utf-8输出
  
  fin.close()
  fout.close()
  
if __name__ == '__main__':                      #相当于main函数
  translate("myInputFile.txt", "myOutputFile.txt")

 以上代码是用来处理一个文本,将不属于中文的行依次输出到一个新的文件。

 
3.注意

第9、10行代码,langid.classify(line)的输出结果是一个二元组,二元组的第一项表示该文本所属的语系,如:zh表示中文、en表示英语、等等;二元组的第二项表示该文本中属于第一项中语系的所占比例。

 

希望对大家有所帮助。