質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.87%

  • Python 3.x

    4799questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

ファイルへの出力について

受付中

回答 0

投稿

  • 評価
  • クリップ 0
  • VIEW 67

rysy_9

score 3

 前提・実現したいこと

ngramのプログラムを実行したところ、結果に不自然な点が生まれました。下に結果を載せますのでどなたか理由を教えていただけると幸いです。(カンマで区切っています)
(1)1行おきに結果が出ないところがある点
(2)空行が発生
なおJsonでURLファイルを作り実行しています。

 発生している問題(3gramの場合)

 , ,     130867
    ,    ,        3515

, ,     3132
名,古,屋    2219
 , ,
    1912
0,0,0    1754
,,0,0    1584
0,0,
    1531
ぐ,る,な    1509
る,な,び    1508
0,0,円    1503
コ,ー,ス    1435

,
,     1432

,名,
    1394
ニ,ュ,ー    1196
-,-,-    1186
名,
,3    1155
名,
,4    1155
名,
,5    1155
名,
,6    1155
名,
,7    1155
名,
,8    1155
名,
,9    1155
名,
,1    1155
名,
,2    1141
古,屋,駅    1118
メ,ニ,ュ    1038
0,円,
    1011
ラ,ン,チ    947
1,名,
    910
2,名,
    910
3,名,
    910
4,名,
    910
5,名,
    910
6,名,
    910
7,名,
    910
8,名,
    910
9,名,
    910
す,る,
    898
す,。,
    888
の,お,店    880
飲,み,放    865
み,放,題    865
ま,す,。    853
 ,
,
    853

,名,古    847
0,名,
    821
:,0,0    766
お,す,す    754
す,す,め    754
ス,ト,ラ    741
特,集,
    739
あ,り,
    736
レ,ス,ト    733
ト,ラ,ン    730
ネ,ッ,ト    723

,ぐ,る    721
居,酒,屋    711
ポ,イ,ン    694
イ,ン,ト    694
:,3,0    640
見,る,
    625
3,0,
    613

 該当のソースコード

# coding: utf-8

import sys
import json
import MeCab
import urllib.request, urllib.error, urllib.parse
from collections import defaultdict
from operator import itemgetter
from bs4 import BeautifulSoup
from bs4 import NavigableString
from bs4 import Comment, Declaration

class Ngram():

    def __init__(self, N=3):
        self.N = N
        self.tagger = MeCab.Tagger("-Owakati")
        #print (self.tagger)

    def get(self, seq, ngram=None):
        #seq = self.tagger.parse(text).split()
        #print (seq)

        if ngram is None:
            ngram = [defaultdict(int) for x in range((self.N + 1))]
            ngram[0] = None

        for i in range(len(seq)):
            for n in range(1, self.N + 1):
                idx = i - n + 1  # check ngram is valid range
                if idx >= 0:
                    key_words = []
                    for j in range(idx, i+1):
                        key_words.append(seq[j])
                    key = ','.join(key_words)
                    ngram[n][key] += 1

        return ngram


class HTMLParser():

    def get(self, url):
        try:
            c = urllib.request.urlopen(url)
        except:
            print("Could not open %s" % url)
            return ""

        soup = BeautifulSoup(c.read(), "lxml")
        text = '\n'.join(self.__getNavigableStrings(soup))
        return text

    def __getNavigableStrings(self, soup):
        if isinstance(soup, NavigableString):
            if type(soup) not in (Comment, Declaration) and soup.strip():
                yield soup
        elif soup.name not in ('script', 'style'):
            for c in soup.contents:
                for g in self.__getNavigableStrings(c):
                    yield g


if __name__ == "__main__":

    f = open("urls.json", "r")
    urls = json.load(f)
    f.close()
    print("Count of urls : " + str(len(urls)))

    N = 10
    hp = HTMLParser()
    ng = Ngram(N)

    ngram = None
    for url in urls:
        text = hp.get(url)
        ngram = ng.get(text, ngram)

    for n in range(1, (N + 1)):
        f = open('outputs/{:02d}.tsv'.format(n), 'w')
        out = ""
        for k, v in sorted(list(ngram[n].items()), key=itemgetter(1), reverse=True):
            out += "{}\t{}\n".format(k, v)
        f.write(out)
        f.close()
  • 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

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    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。

まだ回答がついていません

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 90.87%
  • 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

関連した質問

同じタグがついた質問を見る

  • Python 3.x

    4799questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。