[Повтор] [Python] Скрипт чистки текстов собранных парсерами

[Повтор] [Python] Скрипт чистки текстов собранных парсерами

Предлагаю свой скрипт написанный на Python 3, который чистит тексты, собранные парсерами.

Спойлер: Описание скрипта

Скрипт обрабатывает все текстовые файлы с расширением txt в кодировке utf-8 (в той папке где расположен); есть версия для ansi.
Обработка 100 Мб текста (156 файлов) одним скриптом на компьютере с процессором Intel Core i7 4700HQ занимает 4 мин 5 сек.
Для ускорения работы можно параллельно запускать несколько одинаковых скриптов.
Во время работы скрипт выводит сообщения о начале и окончании работы каждого модуля, по окончании работы вы увидите сообщения о времени работы скрипта, первоначальном и конечном размерах всех обрабатываемых файлов.

Скрипт работает аккуратно, сохраняя максимальное количество предложений. Он оставляет только качественные предложения, удаляя из них мусор и устраняя различные ошибки. Некачественные предложения удаляются. В очищенных текстах вы не найдете китайских иероглифов, непонятных знаков, смайликов и прочих ненужных символов; вы увидите только нормальный текст, знаки пунктуации и необходимые символы. Непарные скобки и кавычки удаляются.

Участники складчины получат скрипт примерно на 830 строк (открытый код с комментариями), 3 словаря к нему, мануал с описанием установки интерпретатора Python (менее 30 Мб), порядока работы со скриптом и словарями, бонус в виде 3 небольших полезных скриптов для работы с текстовыми файлами.
Словари - это обычные текстовые файлы. Внося в них изменения вы сможете улучшить качество текстов.
В бибиотеке будут две портативные программы под Windows для написания/редактирования и запуска скрипта.
Складчина для тех, у кого есть программа(ы) для парсинга. Никаких дополнительных расходов не потребуется.
Материал рассчитан на тех, кто никогда не писал скриптов и программ.
Я доволен качеством работы скрипта, предлагаю посмотреть 10 образцов исходных и обработанных текстов:

Отзывы участников предыдущей складчины.

В приватной ветке вы сможете предложить идеи по улучшению скрипта, если они будут здравые, я внесу изменения в код.
Вы можете здесь разместить ссылки на свои тексты в облаке, я выложу обработанные файлы.
К началу складчины в скрипте будет улучшена работа со словарями. Во второй складчине на 1 бонус больше.

 

скрипты и обработка только русскоязычных текстов предусмотрена?

 

Основная версия скрипта для русского текста (в основном из-за словарей). Есть версия скрипта для буржунета, но словари вам придётся делать самостоятельно по аналогии с русскими.

 

Сравнил первый из примеров "Wella Уход за волосами", нашел почищенные целые предложения (напр., Рапунцель или Златовласка). Так и должно быть?

Что тогда конкретно подразумевается под:
- качественные предложения?
- мусор?
- различные ошибки?

Наступив на маляку вроде « скрипт чистит все предложение, или как?

 

Анализ текстов на выходе парсеров показывает, что большую часть коротких предложений надо удалять. Часто это строки с форумов с указанием имён и возраста, иногда что-то другое в т.ч. мусор. Поэтому в скрипте сделан фильтр, который обрезает все строки длиной до 46 символов (при желании можно изменить). Таким образом скрипт работает быстрее, чем если бы на каждый вариант ненужного содержимого в коротких строках была бы написана отдельная регулярка (фильтр). Указанное предложение является коротким, по этому признаку оно удалено. Лучше удалить небольшой процент качественных коротких строк, чем возиться с ними всеми.
Качественные предложения - хорошие с точки зрения русского языка, а также те, из которых можно с помощью небольших преобразований сделать хорошие.
Мусор - наборы символов, не имеющие какого-либо смысла, начиная с многократных скобок (смайликов), времени, дат и заканчивая вот этим: 3#$;;/sаж &&&& шг*Юqwr46 .;####.
Ошибки - прилипшее к скобке или кавычке слово, непарные скобки и кавычки, неправильное начало или окончание строки (число, число с точкой или запятой), второе двоеточие в пропорции ( 2:3: ) и т.п.
Последнюю строку я не нашел указанном файле. « - спецсимвол html, скрипт заменяет их на нормальные символы, указанный будет заменён на левую двойную угловую скобку, остальная часть строки не изменится.

 

А нам?

 

В этой складчине ценник повыше, поэтому я стараюсь дать больше. Мои складчины дают вам возможность быстро научиться писать скрипты для обработки текста. Вообще их надо не 3-4, а больше. Даже начинающий питонист может делать подобные бонусы за один вечер. Так что я всем заинтересованным в данной теме рекомендую поучить язык. Я сам начал писать скрипты после изучения половины среднего по объёму обучающего курса.
В предыдущую складчину захожу, так что вы можете продолжать задавать вопросы.

 

Благодарю Вас за ответ!

Вопросы буду задавать.

 

Емэйлы, номера телефонов в различных вариантах, адреса - чистит скрипт?

 

Почту, телефоны - да. Адреса частично, сложность в том, что встречаются варианты, когда город не указан, только улица и дом, для 100% удаления всех адресов нужен список всех названий улиц. Дома могут указываться просто числом без слова "дом", буквы "д" или "д.". Этот вопрос можно будет победить пополнив словарь, с которым работает скрипт.