今天看到的一个统计，统计的金庸小说里面的高频词语。想着看了一周python，试试看能不能统计。
网上找的代码，调整顺序拼接了一下，分词库是结巴分词。
解决了python2.7中字典显示中文乱码的问题
分词代码：https://github.com/imwilsonxu/mao
频率统计：https://github.com/aolingwen/0006
结巴分词：https://github.com/fxsjy/jieba
# -*- coding: utf-8 -*-
import json
import re
import jieba
from collections import Counter
class StatWords(object):
def statTopN(self,path, n):
file = open(path,'r')
wordDict = {}
content = file.read()
wordlist = re.split('[\s\ \\,\;\.\!\n]+', content)
for word in wordlist:
if word in wordDict:
wordDict[word]=wordDict[word]+1
else:
wordDict[word] = 1
count = Counter(wordDict)
print json.dumps(count.most_common()[:n], encoding="UTF-8", ensure_ascii=False)
STOPWORDS = [u'的', u'地', u'得', u'而', u'了', u'在', u'是', u'我', u'有', u'和',
u'就', u'不', u'人', u'都', u'一', u'一个', u'上', u'也', u'很', u'到', u'说', u'要',
u'去', u'你', u'会', u'着', u'没有', u'看', u'好', u'自己', u'这']
PUNCTUATIONS = [u'。', u'，', u'“', u'”', u'…', u'？', u'！', u'、', u'；', u'（',
u'）',u'?',u'：']
#黑名单
f_in = open('file_in.txt')
f_out = open('file_out.txt', 'w')
#f_in原文档，f_out分词后的文档
try:
for l in f_in:
seg_list = jieba.cut(l)
# print "/".join(seg_list)
for seg in seg_list:
if seg not in STOPWORDS and seg not in PUNCTUATIONS:
f_out.write(seg.encode('utf-8', 'strict') + "\n")
finally:
f_in.close()
f_out.close()
if __name__ == '__main__':
s = StatWords()
s.statTopN("file_out.txt",10)
