/
txtokuyucu.py
202 lines (175 loc) · 5.78 KB
/
txtokuyucu.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
# -*- coding: utf-8 -*-
#txtokuyucu.py
#2016-02-06
#author = Ahmet Aksoy
#Son güncelleme = 2016-02-07
#Python 3.5.1 ile test edildi
import os
import time
from operator import itemgetter
from collections import OrderedDict
DATA_KLASOR = "D:/aaa-kaynaklar"
BHARF = "ÇĞİIÖŞÜ"
KHARF = "çğiıöşü"
#Sadece I ve İ harfleri küçük harfe dönüşürken sorun yaratıyor.
#Bu yüzden sadec I ve İ harflerini kontrol etmek yeterli olacak
BHARFX = "Iİ"
KHARFX = "ıi"
AYRACLAR = ",\.;«»!?-:/\*+_=\"<>()'[]|º#&%"
#Asıl bilgiler bu sozlukte yer alacak sozcuk:frekans
anaSozluk = dict()
def kucukHarfYap(sozcuk):
ss = ''
for i in range(len(sozcuk)):
ok = False
for j in range(len(BHARFX)):
if sozcuk[i]== BHARFX[j]:
ss += KHARFX[j]
ok = True
break
if ok == False:
ss += sozcuk[i]
ss = ss.lower()
return ss
def txt_dosyabul(klasor):
liste = []
#klasördeki .txt uzantılı ve ismi zzz_ ile başlamayan dosyaları bul
for dir, dirs, files in os.walk(klasor):
for dosya in files:
if dosya.endswith(".txt"):
if not dosya.startswith("zzz_"):
#liste.append(os.path.join(root,dosya))
liste.append(dosya)
return klasor, liste
def txt_dosyaOku(klasor, dosya):
eski=klasor+"/"+dosya
yeni=klasor+"/zzz_"+dosya
sozcukler = []
with open(eski) as fdosya:
sat0 = ''
for sat in fdosya:
sat0 += sat.strip()
if sat[-1]=='-': #Satır sonunda tire varsa
sat0 =sat0[:-1]
continue
else:
#AYRACLAR içindeki karakterler de aslında sözcükleri ayırıyor
for a in AYRACLAR:
sat0 = sat0.replace(a,' ')
kelimeler = sat0.split() #boşluklara göre parçala
for kelime in kelimeler:
if kelime.isalpha():
sozcukler.append(kelime)
elif kelime.isalnum():
pass
elif kelime.isdigit():
pass
else:
k = kelime.strip(AYRACLAR)
sozcukler.append(k)
sat0=''
print(eski)
#os.rename(eski,yeni)
return sozcukler
def is_tek_tire_var(sozcuk):
var = 0
for say in range(len(sozcuk)):
if sozcuk[say] == "-":
if say==0 or say == len(sozcuk)-1:
return False
var +=1
if var==1:
return True
else:
return False
def is_tirnak_icinde(sozcuk):
if sozcuk[0]=="'" or sozcuk[-1]== "'":
return True
elif sozcuk[0]=='"' or sozcuk[-1]== '"':
return True
else:
return False
def is_tek_tirnak_alpha(sozcuk):
if is_tirnak_icinde(sozcuk):
return False
var = 0
say0=-1
for say in range(len(sozcuk)):
if sozcuk[say] == "'":
if say==0 or say == len(sozcuk)-1:
return False
if say0<0:
say0 = say
var +=1
if var==1:
s1 = sozcuk[:say0]
s2 = sozcuk[say0+1:]
if s1.isalpha() and s2.isalpha():
return True
else:
return False
else:
return False
def alfabetik(sozluk):
ys = OrderedDict(sorted(sozluk.items(),key=itemgetter(0)))
return ys
def frekansa_gore(sozluk):
ys = OrderedDict(sorted(sozluk.items(),key=itemgetter(1)))
return ys
if __name__ == "__main__":
#kucukHaryYap fonksiyonunun Türkçe karakterler için doğru çalıştığından emin olalım
assert kucukHarfYap("ÇĞIİÖŞÜ")=="çğıiöşü"
basla = time.perf_counter()
hatalar = []
sozcuksay=0
klasor, dosyalar = txt_dosyabul(DATA_KLASOR)
for dosya in dosyalar:
#print(dosya)
sozcukler = txt_dosyaOku(klasor,dosya)
for sozcuk in sozcukler:
#TODO: yanlış sözcükler ayıklanacak
if sozcuk == '' or sozcuk.isdigit() or sozcuk.isdecimal():
continue
#TODO: apostrof kullanıldıysa sözcük ve ekini ayırmak doğru olur mu?
#TODO: isalpha kontrolü yap - tırnak varsa sorun olacak
if is_tek_tirnak_alpha(sozcuk):
pass
elif is_tek_tire_var(sozcuk):
pass
elif sozcuk.isalpha():
pass
else:
hatalar.append(sozcuk)
continue
#TODO: hepsini küçük harf yapsak mı?
sozcuk = kucukHarfYap(sozcuk)
print(sozcuk )
if sozcuk in anaSozluk:
anaSozluk[sozcuk] +=1
else:
anaSozluk[sozcuk] = 1
sozcuksay +=1
print("*"*50)
print(hatalar)
print("Toplam Sözcük = {} Hatalı Sözcük = {} Oran = % {}".format(sozcuksay,
len(hatalar),
100*len(hatalar)/sozcuksay))
print("Toplam çalışma süresi = {} saniye".format(time.perf_counter()-basla))
print("Ayrık sözcük sayısı = {}".format(len(anaSozluk)))
#alfabetik sıralama yapalım
ays= alfabetik(anaSozluk)
fout=open("sozler.txt","w")
#frekansa göre sıralama yapalım
#ays= frekansa_gore(anaSozluk)
#fout=open("frekans.txt","w")
i = 1
#for sozcuk,frekans in anaSozluk.items():
for sozcuk,frekans in ays.items():
#print("{>:6d} {<30:}:{>:6d}".format(i, sozcuk,frekans))
print("{}:{}".format(sozcuk,frekans),file=fout)
i+=1
fout.close()
fout = open("hatalar.txt","w")
for hata in hatalar:
print("{}".format(hata),file=fout)
fout.close()