有这样的爬虫么, 可以爬英文的文档中的单词并统计每个单词在文档出现的次数? - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
请不要在回答技术问题时复制粘贴 AI 生成的内容
xoxo419
V2EX    程序员

有这样的爬虫么, 可以爬英文的文档中的单词并统计每个单词在文档出现的次数?

  •  
  •   xoxo419 2018-06-20 08:51:23 +08:00 4509 次点击
    这是一个创建于 2672 天前的主题,其中的信息可能已经有所发展或是发生改变。
    18 条回复    2018-06-20 17:10:37 +08:00
    ChangQin
        1
    ChangQin  
       2018-06-20 08:57:10 +08:00
    有,go 程序设计语言前几节就有这个 demo
    jiezhi
        2
    jiezhi  
       2018-06-20 09:01:02 +08:00
    python 入门里也有这个 demo 吧
    xy2401
        3
    xy2401  
       2018-06-20 09:01:56 +08:00
    mark。我之前想统计 比如 spring 文档里面 的高频词汇,感觉需求类似
    yuanfnadi
        4
    yuanfnadi  
       2018-06-20 09:02:11 +08:00 via iPhone
    Java 入门时候写过类似 demo
    lhx2008
        5
    lhx2008  
       2018-06-20 09:03:36 +08:00 via Android
    读进来切一下,python 可以用 counter,java 可以用 stream
    NaVient
        6
    NaVient  
       2018-06-20 09:03:40 +08:00
    python --> from collections import Counter
    qilishasha
        7
    qilishasha  
       2018-06-20 09:09:43 +08:00
    数组长度数组长度
    kingname
        8
    kingname  
       2018-06-20 10:18:18 +08:00
    laoyuan
        9
    laoyuan  
       2018-06-20 10:26:14 +08:00
    手写原生
    simapple
        10
    simapple  
       2018-06-20 10:31:28 +08:00
    nltk
    soho176
        11
    soho176  
       2018-06-20 10:45:39 +08:00
    是准备统计最近十年高考英语卷,出现频率高的单词吗?
    fengche361
        12
    fengche361  
       2018-06-20 10:59:52 +08:00
    爬取+分词+wordcount ?
    yuriko
        13
    yuriko  
       2018-06-20 11:04:34 +08:00
    第一反应是 MapReduce 的范例……
    hyi
        14
    hyi  
       2018-06-20 11:19:29 +08:00
    学 python 时写过一个统计英文 txt 单词词频的 python 小脚本,用的是 nltk 库,你可以参考下思路,https://github.com/Hangyi/parse_words_frequency
    jyf
        15
    jyf  
       2018-06-20 11:32:09 +08:00
    主流的爬虫一般都会统计词频 因为有个流行的算法 TF-IDF 就是拿词频作为计算基础的
    woscaizi
        16
    woscaizi  
       2018-06-20 11:46:23 +08:00
    写过一个类似的东西,是统计小说中 2 到 5 字的词语出现的次数,没有考虑是否是有意义的词的情况
    https://github.com/pandaTED/zhihuSpider/blob/master/src/main/java/cn/panda/hello/Hello.java
    Tink
        17
    Tink  
    PRO
       2018-06-20 12:14:02 +08:00 via iPhone
    这点功能不如手写
    geying
        18
    geying  
       2018-06-20 17:10:37 +08:00
    @yuriko +1
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     970 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 23ms UTC 22:39 PVG 06:39 LAX 15:39 JFK 18:39
    Do have faith in what you're doing.
    ubao snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86