我的一个朋友写了这个小程序。
textFile
大小为1.2GB(7年的报纸)。
他成功地创建了字典,但无法使用pickle将其写入文件(程序挂起)。
import sys
import string
import cPickle as pickle
biGramDict = {}
textFile = open(str(sys.argv[1]), 'r')
biGramDictFile = open(str(sys.argv[2]), 'w')
for line in textFile:
if (line.find('<s>')!=-1):
old = None
for line2 in textFile:
if (line2.find('</s>')!=-1):
break
else:
line2=line2.strip()
if line2 not in string.punctuation:
if old != None:
if old not in biGramDict:
biGramDict[old] = {}
if line2 not in biGramDict[old]:
biGramDict[old][line2] = 0
biGramDict[old][line2]+=1
old=line2
textFile.close()
print "going to pickle..."
pickle.dump(biGramDict, biGramDictFile,2)
print "pickle done. now load it..."
biGramDictFile.close()
biGramDictFile = open(str(sys.argv[2]), 'r')
newBiGramDict = pickle.load(biGramDictFile)
谢谢您提前帮忙。 编辑
对于任何感兴趣的人,我将简要解释一下这个程序的作用。 假设您拥有一个大致格式如下的文件:
<s>
Hello
,
World
!
</s>
<s>
Hello
,
munde
!
</s>
<s>
World
domination
.
</s>
<s>
Total
World
domination
!
</s>
<s>
是句子分隔符。- 每行一个单词。
为之后使用生成了一个 biGramDictionary。
类似于这样:
{
"Hello": {"World": 1, "munde": 1},
"World": {"domination": 2},
"Total": {"World": 1},
}
希望这能有所帮助。现在的策略是使用 MySQL,因为 SQLite 无法正常工作(可能是由于文件大小问题)。