从我的文本对象的开头删除单词？答案

【问题标题】：Removing word from the beginning of my text object?从我的文本对象的开头删除单词？
【发布时间】：2015-11-10 18:27:32
【问题描述】：

我有一个从 millercenter.org 抓取语音并返回处理后的语音的功能。然而，我的每一篇演讲的开头都有“成绩单”这个词（这就是它被编码到 HTML 中的方式）。所以，我所有的文本文件都是这样的：

\n <--- there's really just a new line, here, not literally '\n'
transcript

fourscore and seven years ago, blah blah blah

我将这些文件保存在我的 U:/ 驱动器中 - 我如何遍历这些文件并删除“成绩单”？这些文件基本上是这样的：

编辑：

speech_dict = {}
for filename in glob.glob("U:/FALL 2015/ENGL 305/NLP Project/Speeches/*.txt"):
    with open(filename, 'r') as inputFile:
        filecontent = inputFile.read();
        filecontent.replace('transcript','',1)
        speech_dict[filename] = filecontent # put the speeches into a dictionary to run through the algorithm

这并没有改变我的演讲。 “成绩单”还在。

我也尝试将它放入我的文本处理函数中，但这也不起作用：

def processURL(l):
        open_url = urllib2.urlopen(l).read()
        item_soup = BeautifulSoup(open_url)
        item_div = item_soup.find('div',{'id':'transcript'},{'class':'displaytext'})
        item_str = item_div.text.lower()
        item_str_processed = punctuation.sub(' ',item_str)
        item_str_processed_final = item_str_processed.replace('—',' ').replace('transcript','',1)

        splitlink = l.split("/")
        president = splitlink[4]
        speech_num = splitlink[-1]
        filename = "{0}_{1}".format(president, speech_num)

        return filename, item_str_processed_final # giving back filename and the text itself

这是我通过processURL 运行的示例网址：http://millercenter.org/president/harding/speeches/speech-3805

【问题讨论】：

使用f.read()将每个文件读入一个字符串，然后像@Will所说的replace或使用data.strip()[len('transcript'):]对数据进行切片，然后使用'w'参数写回同一个文件以覆盖现有文件
GBR24，完全不清楚这其中的哪一部分给您带来了麻烦。您是在问如何创建 Python 程序、如何执行 Python 程序、如何进行文件 i/o、如何编写 for 循环，或者如何从字符串中删除子字符串？不要回答这个反问：相反，开始自己编写脚本。当您走到死胡同时，请向我们展示您所做的事情并提出更具体的问题。
@RNar 很好的切片调用，我想也可以是data = data.split()[1:] 这虽然删除了第一个单词（不管它是什么），所以任何格式错误的文件都会变得更加格式错误。
这绝对比直弦切片更干净
看到您的编辑，.replace 方法返回您的字符串的副本。因为字符串是不可变的，所以不能在其中进行就地替换。重新分配文件内容，例如 filecontents = filecontents.replace(...)

标签： python text nlp nltk

【解决方案1】：

您可以为此使用 Python 的优秀 replace()：

data = data.replace('transcript', '', 1)

此行将用''（空字符串）替换'transcript'。最后一个参数是要进行的替换次数。 1 仅用于'transcript' 的第一个实例，所有实例为空白。

【讨论】：

【解决方案2】：

如果你知道你想要的数据总是从第 x 行开始，那么这样做：

with open('filename.txt', 'r') as fin:
    for _ in range(x): # This loop will skip x no. of lines.
        next(fin)
    for line in fin:
        # do something with the line.
        print(line)

或者假设您要删除成绩单之前的所有行：

with open('filename.txt', 'r') as fin:
    while next(fin) != 'transcript': # This loop will skip lines until it reads the *transcript* lines.
        break
    # if you want to skip the empty line after *transcript*
    next(fin) # skips the next line.
    for line in fin:
        # do something with the line.
        print(line)

【讨论】：