citespace數(shù)據(jù)處理:用python對(duì)Ref文檔進(jìn)行去重方式
python對(duì)Ref文檔進(jìn)行去重
首先將txt文檔提取到Excel表格中篩選出重復(fù)項(xiàng),并且整理到txt中:

需要去重的目標(biāo)txt也準(zhǔn)備好:

接下來(lái)運(yùn)行代碼,注意代碼中的路徑需要自己按實(shí)際情況修改:
#coding:utf-8
#__author__ ='pig'
# 實(shí)現(xiàn)去重功能
import re
# 需要去重的標(biāo)題列表
title_need_delete = []
f0 = open('D:\Desktop\數(shù)據(jù)\\need_delete.txt',encoding='utf-8')
for line in f0.readlines():
title_need_delete.append(line)
#print(title_need_delete)
# 一鍵多值字典0
dict={}
# 標(biāo)題列表
title_list = []
f1=open('D:\Desktop\數(shù)據(jù)\\sum.txt',encoding='utf-8')
data=f1.readlines()
# print data1
f1.close()
num = 0
# 第一次遍歷:構(gòu)建字典,能看出每篇文章出現(xiàn)的次數(shù)
for index,line in enumerate(data):
if line[0:2] == 'T1':
num+=1
title = line[3:]
if title not in title_list:
# 向字典中添加新key
dict.setdefault(title,[]).append(1)
title_list.append(title)
else:
# 修改該文章出現(xiàn)的次數(shù)
dict[title][0] += 1
#print(dict)
print("原數(shù)據(jù)量:"+str(num))
f2 = open('after_delete.txt', 'w', encoding='utf-8')
delete_num = 0
after_num = 0
# 第二次遍歷:將文本寫入新文件(每篇文章數(shù)據(jù)整段寫入),對(duì)于每篇文章,若出現(xiàn)在黑名單中,則需要跳過(guò),直到最后一次出現(xiàn)才寫入
for index,line in enumerate(data):
# 每篇文章先判定
if line[0:2] == 'RT':
# 定位至標(biāo)題行
index_1 = index
while(data[index_1][0:2] != 'T1'):
index_1 += 1
# 提取標(biāo)題
title = data[index_1][3:]
# 如果在黑名單里且不是最后一次出現(xiàn),則跳過(guò)此文章,并將字典中次數(shù)-1
if title in title_need_delete and dict[title][0] > 1:
# print('跳過(guò):'+ title)
dict[title][0] -= 1
delete_num += 1
# 跳過(guò)
continue
else :
# 不在黑名單中則正常寫
f2.writelines(data[index])
after_num += 1
index += 1
while(data[index][0:2] != 'RT'):
f2.writelines(data[index])
index += 1
if index == len(data):
break
print("去重完成!")
print("刪除重復(fù)數(shù)據(jù):" + str(delete_num))
print("剩余數(shù)據(jù):" + str(after_num))
f2.close()運(yùn)行結(jié)果:

Python文件自動(dòng)去重
平日里一來(lái)無(wú)聊,二來(lái)手巧,果然下載了好多資料,搞得我小小的硬盤(已經(jīng)擴(kuò)到6T了)捉襟見肘,
有次無(wú)意間,發(fā)現(xiàn)有兩個(gè)居然長(zhǎng)得一毛一樣,在房子這么小的情況下,我怎能忍兩個(gè)一毛一樣的東西躺在我的硬盤里,果斷搞掉一個(gè),整理一下,本來(lái)想文件名一樣的就保留一份,但問(wèn)題出現(xiàn)了,居然有名字一樣,內(nèi)容卻完全不一樣的文件,想我背朝黃土面朝天吹著空調(diào)吃著西瓜下載下來(lái)的東西,刪除是不可能的,這輩子都是不可能刪除的??墒俏乙灿植荒馨堰@數(shù)以億計(jì)的文件挨個(gè)打開看看里面一樣不一樣吧,這個(gè)工程我大概夠我做了好久好久了,有沒(méi)有辦法搞個(gè)軟件幫幫我呢,答案是肯定的,要不然我也不用在這里寫這個(gè)博客了(應(yīng)該是苦逼的一個(gè)一個(gè)打開比較吧),說(shuō)正題,Python提供了一個(gè)比較文件內(nèi)容的東西,那就是哈希算法
MD5消息摘要算法(英語(yǔ):MD5 Message-Digest Algorithm),一種被廣泛使用的密碼散列函數(shù),可以產(chǎn)生出一個(gè)128位(16字節(jié))的散列值(hash value),用于確保信息傳輸完整一致。MD5由美國(guó)密碼學(xué)家羅納德·李維斯特(Ronald Linn Rivest)設(shè)計(jì),于1992年公開,用以取代MD4算法。
說(shuō)了這么長(zhǎng),總結(jié)出來(lái)就一句,這玩意就是文件的指紋,幾乎每個(gè)文件是唯一的(碰到重復(fù)的,恭喜你,可以去買彩票了),那我們就把這個(gè)指紋拿出來(lái),一個(gè)一個(gè)比對(duì),肯定不能會(huì)有漏網(wǎng)的文件,既不會(huì)錯(cuò)殺三千,也不使一文件漏網(wǎng),原理上通了,那么我們就要去搞個(gè)代碼來(lái)幫我完成這個(gè)工作,作為最好用的語(yǔ)言,Python就這樣被我翻了牌子
代碼如下
# -*- coding:utf-8 -*-
import os
import hashlib
import time
import sys
#搞到文件的MD5
def get_ms5(filename):
m = hashlib.md5()
mfile = open(filename , "rb")
m.update(mfile.read())
mfile.close()
md5_value = m.hexdigest()
return md5_value
#搞到文件的列表
def get_urllist():
base = ("D:\\lwj\\spider\\pic\\")#這里就是你要清繳的文件們了
list = os.listdir(base)
urllist = []
for i in list:
url = base + i
urllist.append(url)
return urllist
#主函數(shù)
if __name__ == '__main__':
md5list = []
urllist = get_urllist()
print("test1")
for a in urllist:
md5 = get_ms5(a)
if(md5 in md5list):
os.remove(a)
print("重復(fù):%s" % a)
else:
md5list.append(md5)
print("一共%s張照片" % len(md5list))效果


這戰(zhàn)斗力杠杠的,啥叫科技改變生活,此之謂也
以上為個(gè)人經(jīng)驗(yàn),希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
相關(guān)文章
利用Pytorch實(shí)現(xiàn)獲取特征圖的方法詳解
這篇文章主要為大家詳細(xì)介紹了如何利用Pytorch實(shí)現(xiàn)獲取特征圖,包括提取單個(gè)特征圖和提取多個(gè)特征圖,文中的示例代碼講解詳細(xì),需要的可以參考一下2022-10-10
Python使用虛擬環(huán)境(安裝下載更新卸載)命令
這篇文章主要為大家介紹了Python使用虛擬環(huán)境(安裝下載更新卸載)命令,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-11-11
基于Python+Matplotlib實(shí)現(xiàn)直方圖的繪制
Matplotlib是Python的繪圖庫(kù),它能讓使用者很輕松地將數(shù)據(jù)圖形化,并且提供多樣化的輸出格式。本文將為大家介紹如何用matplotlib繪制直方圖,感興趣的朋友可以學(xué)習(xí)一下2022-04-04
解決在pycharm運(yùn)行代碼,調(diào)用CMD窗口的命令運(yùn)行顯示亂碼問(wèn)題
今天小編就為大家分享一篇解決在pycharm運(yùn)行代碼,調(diào)用CMD窗口的命令運(yùn)行顯示亂碼問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-08-08
Python操作MongoDB數(shù)據(jù)庫(kù)PyMongo庫(kù)使用方法
這篇文章主要介紹了Python操作MongoDB數(shù)據(jù)庫(kù)PyMongo庫(kù)使用方法,本文講解了創(chuàng)建連接、連接數(shù)據(jù)庫(kù)、連接聚集、查看全部聚集名稱、查看聚集的一條記錄等操作方法,需要的朋友可以參考下2015-04-04

