使用python对文件中的单词进行提取

由于需要使用一个纯单词组成的文件，在网上下载到了一个存放单词的文件，但是里面有中文的解释，那就需要做一下提取了。

文本的形式如下：

所见即所得，这个文本是有规律的，每个单词为一行，紧接着下一行便是单词的解释，有了这种规律我们就很好处理了。

首先我们来将文件的数据读取出来：

#coding:utf-8

file_object = open('words.txt')
try:
     lines = file_object.readlines()
finally:
     file_object.close( )
for line in lines:
    print line

代码执行的结果为：

显然，这不是我们想要的结果，因为这里面有太多的空行了，现在最主要的就是要处理掉这些妨碍我们的空行，对于中文的乱码呢，我们是不需要中文的解释的，所以它是无妨碍的，如果想看得舒服些，那么我们就转码一下就好了。现在最主要的就是要知道为什么会出现这么多的空行，因为我们的文件是已将看过了，显然是这些空行的出现是有点“匪夷所思”的，这也是由于python读文件的机制导致的，下面我们修改下代码，来看看原因：

#coding:utf-8

file_object = open('words.txt')
try:
     lines = file_object.readlines()
finally:
     file_object.close( )

print lines

在这里，我们直接输出lines，得到如下的结果：

我们随意拿出这句'runlet ', 'n.xcdxb0,xd0xa1xbaxd3 ', ' ', 'runnel ', 'n.xd0xa1xbaxd3,xcfxb8xc1xf7 ', ' ',从中可以看出，对于每行的文件，在读取的时候，换行符“ ”也是会被读取在单词和对应的解释的后面的，所以这也就是为什么会有那么多空行的原因了，这显然不是我们想要看见的，下面我们处理一下，让这些多余的空行失去效果：

#coding:utf-8

file_object = open('words.txt')
try:
     lines = file_object.readlines()
finally:
     file_object.close( )

for line in lines:
    if line!='
':
        print line.decode('gb2312','ignore'),    #逗号得带着，因为文件自身带了换行，可以代替pirnt的换行

程序执行后，得到如下的结果：

好了，这下就是我们想看到的东西了，那么，现在我们可以将这些输出写入到新的文件里了，然后就可以得到我们想要的单词文本了。

#coding:utf-8

file_object = open('words.txt')
try:
     lines = file_object.readlines()
finally:
     file_object.close( )

myfile=open('newfile.txt','w')
num=0
for word in lines:
    if word!='
':
        num+=1
        if num%2:    #只有奇数行为单词
           myfile.write(word)

运行程序便可以得到新的单词文件了，最终提取了45000多个单词，文件如下所示：

很显然，满足我们最终想要实现的要求，那么可以收工了。

最后附上两个文件的链接：http://pan.baidu.com/s/1cMvmbG。