【python计算机二级】python论语文本提纯-计算机二级操作题

在刷计算机二级操作题题库时候，无论是未来教育、python123以及其他平台资源，想必大家都会遇到最后一道操作题是关于论语文本提纯的问题。初次看到的这种题目的小白，眼里就是这是什么鬼呀，看不懂呀，怎么嵌套了这么多的循环？？？

代码与论语文本资料可以在github上获得：https://github.com/Muzi828/The-Analects，接下来就开始进行实际操作。

part 1

预备知识 replace使用

s1 = "1·1子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自远方来，不亦乐(6)乎？人不知(7)，而不愠(8)，不亦君子(9)乎？”"
print(s1.replace("1·1","")) #目的是去掉前面的数字标号
print(s1)  #replace方法不改变原字符串
s1=s1.replace("1·1","")
print(s1)  #需要将replace后的字符重新赋给原字符串，完成内容的修改 

==>> 子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自远方来，不亦乐(6)乎？人不知(7)，而不愠(8)，不亦君子(9)乎？”
==>> 1·1子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自远方来，不亦乐(6)乎？人不知(7)，而不愠(8)，不亦君子(9)乎？”
==>> 子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自远方来，不亦乐(6)乎？人不知(7)，而不愠(8)，不亦君子(9)乎？”

第一步 文件打开及内容读取

fi = open("C:/Users/86177/Desktop/论语-网络版.txt","r") #选择文件放置的位置，注意位置符。
fi.read()   

==>> UnicodeDecodeError: 'gbk' codec can't decode byte 0xae in position 4: illegal multibyte sequence

出现此类错误，使用“utf-8”编码一般就可以解决。

fi = open("C:/Users/86177/Desktop/论语-网络版.txt","r",encoding = "utf-8") #一般添加编码utf-8再读入即可
fi.read(500) #读入前500字符

==>> '\ufeff论语全篇 学而篇第一\n\n  【本篇引语】\n\n  《学而》是《论语》第一篇的篇名。
《论语》中各篇一般都是以第一章的前二三个字作为该篇的篇名。《学而》一篇包括16章，内容涉及
诸多方面。其中重点是“吾日三省吾身”；“节用而爱人，使民以时”；“礼之用，和为贵”以及仁、孝、
信等道德范畴。\n\n  【原文】\n\n  1·1子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自
远方来，不亦乐(6)乎？人不知(7)，而不愠(8)，不亦君子(9)乎？”\n\n  【注释】\n\n  (1)子
：中国古代对于有地位、有学问的男子的尊称，有时也泛称男子。《论语》书中“子曰”的子，都是指孔子而言
(2)学：孔子在这里所讲的“学”，主要是指学习西周的礼、乐、诗、书等传统文化典籍。\n\n  
(3)时习：在周秦时代，“时”字用作副词，意为“在一定的时候”或者“在适当的时候”。但朱熹在《论语集注》
一书中把“时”解释为“时常”。“习”，指演习礼、乐；复习诗、书。也含有温习、实习、练习的意思。\n\n  
(4)说：音ｙｕè，同悦，愉快、高兴的意思。\n\n  (5)有朋：一本作“友朋”。旧注说，“同门曰朋”，即
同在一位老师'

第二步将原文写入到目标文件夹

对文本进行分析可知：要求写入的内容都在“【原文】”后边，所以在读取时候遇到“【原文】”标志即可读入之后的内容。而对于“【】”之中其他的内容，过滤掉即可。

fi = open("C:/Users/86177/Desktop/论语-网络版.txt","r",encoding = "utf-8")
fo = open("C:/Users/86177/Desktop/论语-网络版1.txt","w")
flag = False                                    #设置标记
for line in fi: 
    if "【" in line:    
        flag = False                             #过滤掉其他【】中不需要的信息
    if "【原文】" in line:
        flag = True
        continue
    if flag == True:
        fo.write(line) 
fi.close()
fo.close()

第三步 去掉每句话前面的编号

#先举个栗子，将下面四句话前面的数字编号去掉

s2 = "1·1子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自远方来，不亦乐(6)乎？人不知(7)，而不愠(8)，不亦君子(9)乎？”\
      1·2有子(1)曰：“其为人也孝弟(2)，而好犯上者(3)，鲜(4)矣；不好犯上，而好作乱者，未之有也(5)。君子务本(6)，本立而道生(7)。孝弟也者，其为人之本与(8)？”\
      9·14子欲居九夷(1)。或曰：“陋(2)，如之何？”子曰：“君子居之，何陋之有？”\
      11·12季路问事鬼神。子曰：“未能事人，焉能事鬼？”曰：“敢问死。”曰：“未知生，焉知死？”"

#观察一下结构可以发现最前面都是由“数字·数字”组成的，因此可以想到下面操作

for i in range(12):                                        #左侧的最大值为11，括号内取12
    for j in range(13):                                    #右侧最大值为13，括号内取13 
        s2 = s2.replace("{}·{}".format(i,j),"")           #一步将前面数字替换成 空 字符
print(s2)

==>> '子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自远方来，不亦乐(6)乎？人不知(7)，而不愠
(8)，不亦君子(9)乎？”      有子(1)曰：“其为人也孝弟(2)，而好犯上者(3)，鲜(4)矣；不好犯上，而好作
乱者，未之有也(5)。君子务本(6)，本立而道生(7)。孝弟也者，其为人之本与(8)？”      4子欲居九夷(1)。
或曰：“陋(2)，如之何？”子曰：“君子居之，何陋之有？”      12季路问事鬼神。子曰：“未能事人，焉能事
鬼？”曰：“敢问死。”曰：“未知生，焉知死？”'

结果呢？？？   一脸问号！！！  这怎么前面还有数字，按理说不是全变成  “空”  字符了吗？？？

为了更直观地展示，将 “空” 字符换成 “*” 字符，然后在进行同样的操作，看看是不是发现了什么？？？

s2 = "1·1子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自远方来，不亦乐(6)乎？人不知(7)，而不愠(8)，不亦君子(9)乎？”\
      1·2有子(1)曰：“其为人也孝弟(2)，而好犯上者(3)，鲜(4)矣；不好犯上，而好作乱者，未之有也(5)。君子务本(6)，本立而道生(7)。孝弟也者，其为人之本与(8)？”\
      9·14子欲居九夷(1)。或曰：“陋(2)，如之何？”子曰：“君子居之，何陋之有？”\
      11·12季路问事鬼神。子曰：“未能事人，焉能事鬼？”曰：“敢问死。”曰：“未知生，焉知死？”"

for i in range(12):
    for j in range(13):
        s2 = s2.replace("{}·{}".format(i,j),"**")
print(s2)

==>> '**子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自远方来，不亦乐(6)乎？人不知(7)，而不愠
(8)，不亦君子(9)乎？”      **有子(1)曰：“其为人也孝弟(2)，而好犯上者(3)，鲜(4)矣；不好犯上，而好
作乱者，未之有也(5)。君子务本(6)，本立而道生(7)。孝弟也者，其为人之本与(8)？”      **4子欲居九夷
(1)。或曰：“陋(2)，如之何？”子曰：“君子居之，何陋之有？”      1**2季路问事鬼神。子曰：“未能事人，
焉能事鬼？”曰：“敢问死。”曰：“未知生，焉知死？”'

是不是最终发现，即使你遍历循环的值超过10，甚至都到12了，但是最后还是只占据了一个位置，显示一个 “*”。故：最终只是替换了一个占位符而已，所以上述代码在遍历循环时候只要输入10即可。

for i in range(10):                                  #由上可知，一个数字只形成一个占位符，可以遍历0-9（包括0和9），也就是输入10
    s2 = s2.replace("*{}".format(i),"**")            #将右侧的数字变成“*”
for i in range(10):
    s2 = s2.replace("{}*".format(i),"**")            #将左侧的数字变成“*”
print(s2)

==>> '**子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自远方来，不亦乐(6)乎？人不知(7)，而不愠
(8)，不亦君子(9)乎？”      **有子(1)曰：“其为人也孝弟(2)，而好犯上者(3)，鲜(4)矣；不好犯上，而好
作乱者，未之有也(5)。君子务本(6)，本立而道生(7)。孝弟也者，其为人之本与(8)？”      ***子欲居九夷
(1)。或曰：“陋(2)，如之何？”子曰：“君子居之，何陋之有？”      ****季路问事鬼神。子曰：“未能事人，
焉能事鬼？”曰：“敢问死。”曰：“未知生，焉知死？”'

此时我们已经完成了前面数字标号的全部替换，最后一步直接将这些 “*” 变成 “空” 字符即可。

s2 = s2.replace("*","")                              #最后完成“*”字符的去除
print(s2)

==>> '子曰(1)：“学(2)而时习(3)之，不亦说(4)乎？有朋(5)自远方来，不亦乐(6)乎？人不知(7)，而不愠
(8)，不亦君子(9)乎？”      有子(1)曰：“其为人也孝弟(2)，而好犯上者(3)，鲜(4)矣；不好犯上，而好作
乱者，未之有也(5)。君子务本(6)，本立而道生(7)。孝弟也者，其为人之本与(8)？”      子欲居九夷(1)。或
曰：“陋(2)，如之何？”子曰：“君子居之，何陋之有？”      季路问事鬼神。子曰：“未能事人，焉能事鬼？”
曰：“敢问死。”曰：“未知生，焉知死？”'

第四步将内容写入目标文件

此处只是保证操作步骤的完整，进行示意，具体的原文内容写入到目标文件可以参考第二步

fo.write(s2)  #此处只是为了展示步骤的完整性。具体的看下面的完整代码

第五步 代码汇总

#完整代码如下

fi = open("C:/Users/86177/Desktop/论语-网络版.txt","r",encoding = "utf-8")
fo = open("C:/Users/86177/Desktop/论语-网络版1.txt","w")
flag = False
for line in fi: 
    if "【" in line:
        flag = False
    if "【原文】" in line:
        flag = True
        continue
    if flag == True:
        for i in range(10):
            for j in range(10):
                line = line.replace("{}·{}".format(i,j),"**")
        for i in range(10):
            line = line.replace("{}*".format(i),"")
        for i in range(10):
            line = line.replace("*{}".format(i),"")
        line = line.replace("*","")
        fo.write(line.lstrip())                     #实现目标格式输出，去掉左侧不必要的符号                           

fi.close()
fo.close()

part 2

有了part 1的梳理之后，part 2中只需要将“（数字）”看做一个整体进行替换即可。代码如下：  

fi = open("C:/Users/86177/Desktop/论语-网络版1.txt", "r")
fo = open("C:/Users/86177/Desktop/论语-原文.txt", "w")
for line in fi:     
    for i in range(50): #数字要根据文本中的标志最大值设定，论语中语录比较简单，标记较少，为了确保不漏掉可以稍微设置大一些                                                     
        line=line.replace("({})".format(i), "") #构造(i)并替换
    fo.write(line)
fi.close()
fo.close()

附：

part2 论语提纯原文 part1 论语-网络版1