文字列中の漢字の割合を調べたい
解決済
回答 2
投稿
- 評価
- クリップ 0
- VIEW 153
前提・実現したいこと
テキストファイルの文字列から漢字の割合を測定する
発生している問題・エラーメッセージ
ユニコードでの漢字の抽出の仕方がわからない
該当のソースコード
```python3 import fileinput import json import unicodedata
def isKanji(char): # 引数が漢字ならTrue,さもなければFalseを返す if '亜' <= char <= '話': return True return False
def Kanji(string): # 引数の中の漢字を返す string = unicodedata(string) for i in string: if isKanji(i): print i.encode("japanese.sjis"), print("\n")
if name == 'main': for line in fileinput.input('-'): lines = isKanji(line) m = Kanji(lines) print(m)```
試したこと
どうしてもわかりません
補足情報(言語/FW/ツール等のバージョンなど)
言語処理100本ノックのウィキのjsonデータを使っています
-
気になる質問をクリップする
クリップした質問は、後からいつでもマイページで確認できます。
またクリップした質問に回答があった際、通知やメールを受け取ることができます。
クリップを取り消します
-
良い質問の評価を上げる
以下のような質問は評価を上げましょう
- 質問内容が明確
- 自分も答えを知りたい
- 質問者以外のユーザにも役立つ
評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。
質問の評価を上げたことを取り消します
-
評価を下げられる数の上限に達しました
評価を下げることができません
- 1日5回まで評価を下げられます
- 1日に1ユーザに対して2回まで評価を下げられます
質問の評価を下げる
teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。
- プログラミングに関係のない質問
- やってほしいことだけを記載した丸投げの質問
- 問題・課題が含まれていない質問
- 意図的に内容が抹消された質問
- 広告と受け取られるような投稿
評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。
質問の評価を下げたことを取り消します
この機能は開放されていません
評価を下げる条件を満たしてません
質問の評価を下げる機能の利用条件
この機能を利用するためには、以下の事項を行う必要があります。
- 質問回答など一定の行動
-
メールアドレスの認証
メールアドレスの認証
-
質問評価に関するヘルプページの閲覧
質問評価に関するヘルプページの閲覧
+4
CJKで判別すればいけそうですね。CJKはChinese/Japanese/Koreanで共通に利用している文字らしいです。
https://en.m.wikipedia.org/wiki/CJK_Unified_Ideographs
>>> import unicodedata
>>> unicodedata.name('あ')
'HIRAGANA LETTER A'
>>> unicodedata.name('ア')
'KATAKANA LETTER A'
>>> unicodedata.name('人')
'CJK UNIFIED IDEOGRAPH-4EBA'
>>> unicodedata.name('櫻')
'CJK UNIFIED IDEOGRAPH-6AFB'
>>> unicodedata.unidata_version
'8.0.0'
投稿
-
回答の評価を上げる
以下のような回答は評価を上げましょう
- 正しい回答
- わかりやすい回答
- ためになる回答
評価が高い回答ほどページの上位に表示されます。
-
回答の評価を下げる
下記のような回答は推奨されていません。
- 間違っている回答
- 質問の回答になっていない投稿
- スパムや攻撃的な表現を用いた投稿
評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。
checkベストアンサー
+1
import re
rkan = re.compile("[一-龥]")
rtxt = "平仮名とカタカナと漢字"
foundkanji = rkan.findall(rtxt)
print(rtxt)
print(foundkanji)
print(len(foundkanji))
print(len(foundkanji)/len(rtxt))
漢字を指定する正規表現として上記の範囲指定は厳密には正しく無いらしいですね。
regexと云うモジュールを使って次のようにするのが良いらしいです。
import regex
regex.findall(r'\p{Han}',rtxt)
投稿
-
回答の評価を上げる
以下のような回答は評価を上げましょう
- 正しい回答
- わかりやすい回答
- ためになる回答
評価が高い回答ほどページの上位に表示されます。
-
回答の評価を下げる
下記のような回答は推奨されていません。
- 間違っている回答
- 質問の回答になっていない投稿
- スパムや攻撃的な表現を用いた投稿
評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。
15分調べてもわからないことは、teratailで質問しよう!
- ただいまの回答率 91.04%
- 質問をまとめることで、思考を整理して素早く解決
- テンプレート機能で、簡単に質問をまとめられる
2017/12/20 18:42
'CJK UNIFIED IDEOGRAPH-9FA5'
>>> unicodedata.name('\u9FA5')
'CJK UNIFIED IDEOGRAPH-9FA5'
>>> unicodedata.name('\u9FA6')
'CJK UNIFIED IDEOGRAPH-9FA6'
>>> print('\u9FA6')
龦
2017/12/20 18:46
Traceback (most recent call last):
File "<string>", line 1, in <module>
ValueError: no such name
2017/12/20 19:00 編集
unicodedata.name(c)[:4] == 'CJK '
みたいな感じで良いのでしょうか・・・
2017/12/20 19:05
2017/12/20 19:12