parent
ae87bc8c7a
commit
9abe33b4bd
@ -0,0 +1,66 @@
|
|||||||
|
#!/usr/bin/env python3
|
||||||
|
|
||||||
|
# Apache 2.0
|
||||||
|
|
||||||
|
import argparse
|
||||||
|
import codecs
|
||||||
|
import sys
|
||||||
|
|
||||||
|
is_python2 = sys.version_info[0] == 2
|
||||||
|
|
||||||
|
|
||||||
|
def get_parser():
|
||||||
|
parser = argparse.ArgumentParser(
|
||||||
|
description="filter words in a text file",
|
||||||
|
formatter_class=argparse.ArgumentDefaultsHelpFormatter,
|
||||||
|
)
|
||||||
|
parser.add_argument(
|
||||||
|
"--exclude",
|
||||||
|
"-v",
|
||||||
|
dest="exclude",
|
||||||
|
action="store_true",
|
||||||
|
help="exclude filter words",
|
||||||
|
)
|
||||||
|
parser.add_argument("filt", type=str, help="filter list")
|
||||||
|
parser.add_argument("infile", type=str, help="input file")
|
||||||
|
return parser
|
||||||
|
|
||||||
|
|
||||||
|
def main(args):
|
||||||
|
args = get_parser().parse_args(args)
|
||||||
|
filter_file(args.infile, args.filt, args.exclude)
|
||||||
|
|
||||||
|
|
||||||
|
def filter_file(infile, filt, exclude):
|
||||||
|
vocab = set()
|
||||||
|
with codecs.open(filt, "r", encoding="utf-8") as vocabfile:
|
||||||
|
for line in vocabfile:
|
||||||
|
vocab.add(line.strip())
|
||||||
|
|
||||||
|
sys.stdout = codecs.getwriter("utf-8")(
|
||||||
|
sys.stdout if is_python2 else sys.stdout.buffer
|
||||||
|
)
|
||||||
|
with codecs.open(infile, "r", encoding="utf-8") as textfile:
|
||||||
|
for line in textfile:
|
||||||
|
if exclude:
|
||||||
|
print(
|
||||||
|
" ".join(
|
||||||
|
map(
|
||||||
|
lambda word: word if word not in vocab else "",
|
||||||
|
line.strip().split(),
|
||||||
|
)
|
||||||
|
)
|
||||||
|
)
|
||||||
|
else:
|
||||||
|
print(
|
||||||
|
" ".join(
|
||||||
|
map(
|
||||||
|
lambda word: word if word in vocab else "<UNK>",
|
||||||
|
line.strip().split(),
|
||||||
|
)
|
||||||
|
)
|
||||||
|
)
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
main(sys.argv[1:])
|
Loading…
Reference in new issue