要帮小鼠统计两个文本，看其中一个里面的每个汉字，在另外一个文件中都出现了多少次。任务很简单，但显然 shell 脚本难以胜任，文本中除了汉字，还夹杂着一些空格、半角标点和数字，拿 awk 之类的会累死人。用 C 自然也是用牛刀杀鸡，这场合 Python 最合适。去年早些时候学过一阵子，多少还记得一些，于是一边看指南一边动手。
代码写起来是相当容易，无非是读第一个文件每次取一个汉字，然后在第二个文本里搜，匹配到一个就计一下，搜完一个就 print 出来。文本若存成普通 latin-1 编码的，一个汉字就是两个字节，每次看一个字节，ASCII 值小于 128 的就认为是半角字符，跳过。一开始是在 Linux 上弄，因为有现成的 python 环境，后来发现 locale 是 UTF-8，文件编码总也搞不对，对这个不在行，就在 windows 上装了个 python，把文本文件存成 ANSI 编码就正确了。查了几下文档，调试了几次，寥寥二三十行就搞定了，还能判断重复的字。
很久没关注，Python 的 Logo 已经改成了看上去比较温和的两条蛇了，以前可是条大蟒的。这个有着众多好评的优秀语言，绝对值得掌握。仅仅是写这个小东西，我就体会到：
- 读文件，比 shell 稍微罗嗦一点，但比 C 不知道容易多少倍，这种脚本更无需考虑关闭文件什么的，一条 buf = open('filename', 'r').read() 就搞定
- 用 buf[i:i+2] 来取一个汉字，第一次接触 python 的时候就觉得这个切片操作太方便了
- 用字典来存结果，res = {} 初始化，res[hz] = count 就可以建一个映射，好处是以后用 if hz in res.keys() 就可以判断有没有重复的字了。列表、元组、字典这些东西真是好
如果有人坚持说不习惯 Python 靠缩进来定界一个语句块的话，可以给那位手指贱的推荐下面这个写法（来自 Python Humor），哈哈
if x: #{
foo
bar
#}顺便说一句，千万别学 Perl。我所见到过的嘲笑 Perl 可读性之差的最好笑的一段是：“怎样获得一个随机的字符串？答案是从 perl 文件中随便读一段” :D 。
2 Comments so far
jrm, on Feb 23, 2007 at 5:12am, said:
请教您下面这个问题应该如何用python编程实现？
现在要从一篇如下的文章中检索出所有的汉语词组，然后将这些词组分别存放到数据库中，并统计出所有词组的使用频次。
副总统 切尼，大法官 先生、卡特 总统、布什 总统、克林顿 总统、尊敬的 教士、贵宾 们、同胞 们：
今天，根据 法律的 规定，我们 举行 这个 仪式 向 宪法的 智慧 表示 敬意，同时 回忆 使 我们 国家 团结 的 深深的 承诺。我 为 此刻的 荣誉 而 感激。我 深知 我们 处在 一个 重要的 时代，决心 履行 我 在你们面前 所立 的 誓言。
这 是 我们第二次 聚会。我们 的任务 并非 由 我们 的 言语 来 确定，而是 由 我们 共同 见证 的 历史 所 确定。冷战 结束 后，我们 经历 了 相对 平静 的 岁月，这 是 休憩 和 休假 的 岁月。而 在 这 之后 的 一天，突然 大火 从天 而降。
mattw, on Feb 25, 2007 at 4:10am, said:
如何取汉字、如何切词撇开不说，可用字典来存储词组出现的次数，好处是不用自己检索。用词组作为键，次数作为值，如 data['总统'] = 1