从我的文本对象的开头删除单词？

Question

我有一个功能可以从 millercenter.org 和 returns 处理过的语音中抓取语音。然而，我的每一个演讲的开头都有 "transcript" 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 - 如何遍历这些文件并删除 'transcript'？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

这并没有改变我的发言。 'transcript' 还在。

我也试过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

这是一个示例 url 我运行到 processURL：http://millercenter.org/president/harding/speeches/speech-3805

Answer 1

你可以使用Python的优秀replace()：

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

此行会将 'transcript' 替换为 ''（空字符串）。最后一个参数是要进行的替换次数。 1 仅表示 'transcript' 的第一个实例，所有实例均为空白。

Answer 2

如果您知道您想要的数据总是从第 x 行开始，那么请执行以下操作：

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)

或者假设您要删除转录前的任何行：

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)

从我的文本对象的开头删除单词？

Removing word from the beginning of my text object?

python

text

nlp

nltk