python文件操作与排序

读取几个目录下及其各自的子目录中所有的txt文件,并从中筛选出domain,然后按照每个domain出现的次数进行一个排序,最后将这个排序结果写入到一个文件中。

#coding=utf8
# 统计data_naver和data_google两个目录下出现的每个domain的次数,按照从多到少进行排序

import os
import re

# 将给定目录下所有的txt文件整合到一个list中
def merge_txt(path_list):
    file_list = []
    for path in path_list:
        for (dirpath, dirnames, filenames) in os.walk(path):
            # print filenames
            for filename in filenames:
                filename = os.path.join(dirpath, filename)
                # print filename
                file_list.append(filename)
    print "所有文件的总数是:",len(file_list)
    return file_list

# 将文件列表中每个文件里面的url合并到一个list
def merge_to_domain_list(file_list):
    all_domain_list = []
    domain_pat = '"https*://(.*?)/'
    # 对于每个文件,读取每行,并对每行进行处理
    for file in file_list:
        file_object = open(file)
        # 对每行用正则匹配出url
        for line in file_object:
            # print line
            domain_list = re.findall(domain_pat,line)
            all_domain_list = all_domain_list + domain_list
        file_object.close()
    print all_domain_list
    print "url的总数是:",len(all_domain_list)
    return all_domain_list


# 对list按照出现次数排序,得出一个dict,key是url,value是count(次数)
def sort_list_by_count(domain_list):
    domain_dict = {}
    for domain in domain_list:
        domain_count = domain_dict.get(domain)
        if domain_count:
            domain_count = int(domain_count)
            domain_count += 1
            domain_dict[domain] = domain_count
        else:
            domain_dict[domain] = 1
    # print domain_dict
    items = domain_dict.items()
    backitems = [[v[1], v[0]] for v in items]
    # print backitems
    # backitems.sort()
    backitems = sorted(backitems)
    # backitems = reversed(backitems)
    backitems.reverse()
    print [[v[1], v[0]] for v in backitems]
    list_sorted_by_count = [[v[1], v[0]] for v in backitems]
    return list_sorted_by_count

# 将一个list写入文件
def write_list_to_file(sorted_list,full_path):
    sorted_list_file = open(full_path,'a')
    for l in sorted_list:
        sorted_list_file.write(str(l) + "\n")
    sorted_list_file.close()


if __name__ == '__main__':
    dir = ['./data_google','./data_naver']
    file_list = merge_txt(dir)
    domain_list = merge_to_domain_list(file_list)
    # print type(domain_list)
    list_sorted_by_count = sort_list_by_count(domain_list)
    full_path = './data/sorted.txt'
    write_list_to_file(list_sorted_by_count, full_path)
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 224,467评论 6 522
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 96,079评论 3 402
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 171,600评论 0 366
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 60,835评论 1 300
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 69,848评论 6 399
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 53,348评论 1 314
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 41,735评论 3 428
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 40,705评论 0 279
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 47,238评论 1 324
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 39,268评论 3 345
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 41,395评论 1 354
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 37,012评论 5 350
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 42,704评论 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 33,177评论 0 25
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 34,309评论 1 275
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 49,925评论 3 381
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 46,457评论 2 365

推荐阅读更多精彩内容

  • 1. Java基础部分 基础部分的顺序:基本语法,类相关的语法,内部类的语法,继承相关的语法,异常的语法,线程的语...
    子非鱼_t_阅读 31,681评论 18 399
  • 当数据量增大到超出了单个物理计算机存储容量时,有必要把它分开存储在多个不同的计算机中。那些管理存储在多个网络互连的...
    单行线的旋律阅读 1,925评论 0 7
  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,740评论 18 139
  • 1、第八章 Samba服务器2、第八章 NFS服务器3、第十章 Linux下DNS服务器配站点,域名解析概念命令:...
    哈熝少主阅读 3,743评论 0 10
  • 一. Java基础部分.................................................
    wy_sure阅读 3,816评论 0 11