Python收款.计数器把JSON中的东西排除在外

Question

我想在Facebook上创建一个在my和my gf之间频繁使用的单词的可视化。我直接从FB下载了JSON文件中的所有消息，我让计数器工作

但是：

• 计数器还统计JSON中的元素名，如“sender_name”或是13数字的时间戳
• JSON文件缺少UTF编码-我有像\u00c5、\u0082a、\u00c5、\u0082a这样的字符串硬编码到单词中

如何排除诸如you, I, a, but等无意义的短词？你知道吗

对于第一个问题，我尝试创建一个要排除的单词词典，但我甚至不知道如何排除它们。此外，问题在于删除时间戳编号，因为它们不是常量。你知道吗

对于第二个问题，我尝试在word编辑器中打开文件并替换符号代码，但每次都会因为文件的大小（超过150万行）而崩溃。你知道吗

下面是我用来打印最常用单词的代码：

import re
import collections
import json

file = open('message.json', encoding="utf8")
a = file.read()

words = re.findall(r'\w+', a)

most_common = collections.Counter(map(str.lower, words)).most_common(50)
print(most_common)

JSON文件结构如下：

{
      "sender_name": "xxxxxx",
      "timestamp_ms": 1540327935616,
      "content": "Podobaj\u00c4\u0085 ci si\u00c4\u0099",
      "type": "Generic"
    },

Answer 1

问题是您在整个文件中使用findall，请执行以下操作：

import re
import collections
import json


def words(s):
    return re.findall('\w+', s, re.UNICODE | re.IGNORECASE)

file = open('message.json', encoding="utf8")
data = json.load(file)

counts = collections.Counter((w.lower() for e in data for w in words(e.get('content', ''))))
most_common = counts.most_common(50)
print(most_common)

输出

[('siä', 1), ('ci', 1), ('podobajä', 1)]

输出用于具有以下内容的文件（JSON对象列表）：

[{
      "sender_name": "xxxxxx",
      "timestamp_ms": 1540327935616,
      "content": "Podobaj\u00c4\u0085 ci si\u00c4\u0099",
      "type": "Generic"
}]

解释

使用json.load将文件的内容作为字典列表data加载，然后迭代字典的元素，并使用函数words和Counter计算'content'字段的单词数

进一步

1. 要删除I、a和but等词，请参见this

更新

给定文件的格式，您需要将行：data = json.load(file)更改为data = json.load(file)["messages"]，用于以下内容：

{
  "participants":[],
  "messages": [
    {
      "sender_name": "xxxxxx",
      "timestamp_ms": 1540327935616,
      "content": "Podobaj\u00c4\u0085 ci si\u00c4\u0099",
      "type": "Generic"
    },
    {
      "sender_name": "aaa",
      "timestamp_ms": 1540329382942,
      "content": "aaa",
      "type": "Generic"
    },
    {
      "sender_name": "aaa",
      "timestamp_ms": 1540329262248,
      "content": "aaa",
      "type": "Generic"
    }
  ]
}

输出为：

[('aaa', 2), ('siä', 1), ('podobajä', 1), ('ci', 1)]