[[410332]]

Python中文社區(ID:python-china)

背景

作為一個程序員，經常需要閱讀英文論文、文檔、書籍。對于一些基礎不好的同學來說，最主要的攔路虎是英語單詞。計算機類文檔不同于小說，其語法、句式都比較簡單，可以說只要詞匯量有了，閱讀就很簡單。

如果能在平時提高詞匯量，那是最好不過了。雞湯警告！你必須暗自努力，然后驚艷所有人！這句話打在這里沒毛病吧，老鐵。但無所側重地背普通英語字典，恐怕效率并不高。不提前學習單詞，直接上手閱讀，遇到生詞再查，效率也提升不起來。

這里介紹一個針對專業文檔背單詞的方法：把當前文檔的所有單詞，建立一個專屬字典，先背誦這個字典，再去看書，一定能一目十行。

思路

總體思路是文件分詞統計，查找字典，生成新字典。

•首先，有一個需要閱讀的英文文檔，給它分詞，按照單詞頻率排序；•找一個已掌握的英語詞匯表（四六級或考研等），把上文中的單詞和本詞匯表重復的項刪除；•再找一個詞匯量大的字典，在其中查找對應解釋；•把結果存儲到一個字典文件中。

得到的字典，就是這本書的專屬字典了。業余背這個字典，相當于掌握了計算機專業英語。這個方法也適用于機械、電子等等任何專業英語的地方。

實現

下面，以 Python 神作《Fluent Python》為例，用 Python 自帶的庫實現分詞、統計功能。首先看下它的內容梗概。 

Fluent Python   
CLEAR, CONCISE, AND EFFECTIVE PROGRAMMING  
Luciano Ramalho 
...... 

分詞

首先來分詞。 

from collections import Counter  
import re  
ct2 = Counter()  
patt = re.compile(r'\w+')  
with open('f1.txt','r',encoding='utf-8') as f:  
    for l in f.readlines():  
        ws = (n.lower() for n in patt.findall(l))  
        ct2.update(ws) 

以上代碼中，導入了 Counter 和 re 模塊。

Counter 負責統計單詞詞頻，re 正則表達式分割英語單詞。得到結果 ct2 中是所有單詞的詞頻。

下面，把它保存下來。 

with open('result_f1.txt','w',encoding='utf-8') as f:  
    f.write(''.join(('%s %s\n'%(a,b) for a,b in ct2.most_common())))  

現在，result_f1.txt 中存儲的是這本書出現的單詞，而且是按照詞頻排序的，如下。 

the 12414  
a 5639  
of 4900  
in 4837  
to 4689  
is 3848  
...... 

和預想得很像，排名靠前的基本是介詞等常用詞。

另外，比較有意思的數據是，《Fluent Python》共使用詞匯 9118 個，其中出現一次的單詞有 3168 個。出現頻次最高的 the 達到 12000 次。它的分布圖如下。

載入字典

下載一個比較全的字典，十萬個單詞。載入內存，存儲在字典數據變量 dicts 中。

這是 dict 結構第一次真正存儲字典！ 

dictdicts = dict()  
with open('103976.txt','r',encoding='gbk') as f:  
    for l in f.readlines():  
        k = l[0:l.find('\t')]  
        v = l[l.find('\t')+1:]  
        dicts.update({k:v}) 

刪除認識的單詞

字典當中大量的 the a is，相當挑戰我們的容忍度，這讓旁人看了，還以為我們小學沒畢業呢。去掉去掉……

眾所周知，我們采用了小學二年級就掌握的 postgrade.txt 英文字典。

postgrade.txt 同學們肯定耳熟能詳。神奇的是第一個單詞。abandon vt.離棄，丟棄;遺棄，拋棄;放棄 

with open('postgrade.txt','r',encoding='utf-8') as f:  
    f.readline()  
    for l in f.readlines():  
        k = l[:l.find(' ')]  
        try:  
            del dicts[k]  
        except KeyError as e:  
            pass 

現在，字典 dicts 中，僅僅剩下所我們不認識的，103976 - 5000 = 98976 個單詞了。

生成新字典

以詞頻單詞來查找單詞表，再把單詞和釋義存到新單詞表中，就得到新單詞表了。 

with open('f1_res.txt','w',encoding='utf-8') as wf,open('result_f1.txt','r',encoding='utf-8')as f:  
    for l in f.readlines():  
        k = l[:l.find(' ')]  
        v = dicts.get(k,None)  
        if v:  
            wf.write('%s %s'%(k,v))  
wf.close() 

這里第一句，兩個 with 可以寫到一句話里。這樣代碼看起來比較和諧。

查字典方法，使用v = dicts.get(k,None)，這樣查不著的單詞，返回 None，寫入新字典時判斷這個值，就可以了。

總結

除此處介紹的生生單個文檔字典外，還可多拿幾個領域專業文檔，提取它們的常用單詞，然后生成專屬字典，這字典，相當于相關領域的專業英語字典。

這里使用 Python 自帶庫寫程序，效率可能不高。如果需要，可以使用 pandas 之類的庫來實現，提高效率。