Textanalyse/Textstatistik.py

# -*- coding: utf-8 -*-

import sys
import re
import os
import platform
import collections

Regex_Worte = "[a-zA-ZäüöÄÜÖß]+"
Regex_Saetze = "[.!?][ \"\n\r\f]"

count_min = 0
count_max = 0
count_mittel = 0.0
count_liste = []
woerterbuch = []

# Loeschen des Bildschirms
if platform.system() == 'Windows':
    os.system('cls')
else:
    os.system('clear')

# Erklaerung der Programmfunktion
print("Text-Statistik")
print("-" * 85)
print("Die angegebene Datei wird auf die Anzahl von Sätzen und auf Worthäufigkeit analysiert.")
print("-" * 85)
print("\n")

# Datei einlesen
try:
    dateiname = raw_input("Name der zu analysierenden Datei: ")
    datei = open(dateiname)
    text = datei.read()
    datei.close()
    print("\n")
except:
    print("Die angegebene Datei existiert leider nicht! Bitte Programm neu starten ...\n")
    sys.exit(0)

# Anzahl der Worte in der Datei
anzahl_worte = len(re.findall(Regex_Worte, text))

# Anzahl der Sätze in der Datei - Problem: Ordnungszahlen, Punkt am Textende
anzahl_saetze = len(re.findall(Regex_Saetze, text))

# min., max. und mittlere Anzahl von Worten in einem Satz
saetze = re.split(Regex_Saetze, text)

for i in saetze:
    count_worte = len(re.findall(Regex_Worte, i))

    # sortierte Liste bilden, erstes und letztes Element = min und max
    if count_worte <> 0:
        count_liste.append(count_worte)

count_liste.sort()
count_min = count_liste[0]
count_max = count_liste[len(count_liste)-1]
count_mittel = "%.1f" % (float(anzahl_worte) / len(count_liste))

# Häufigkeit von auftretenden Worten absteigend sortiert
for i in saetze:
    i = i.replace("\n", "")
    i = i.replace(",", "")
    i = i.replace('"', "")
    i = i.replace("(", "")
    i = i.replace(")", "")
    i = i.replace(":", "")

    woerter = i.split(" ")
    woerterbuch = woerterbuch + woerter

for i in woerterbuch:
    if not re.findall(Regex_Worte, i):
        woerterbuch.remove(i)

woerterbuch = [i.lower() for i in woerterbuch]
wordcount = collections.Counter(woerterbuch)


# Ausgabe der Werte
print("Ergebnis der Analyse:\n")
print("Die Datei '" + dateiname + "' enthält " + str(anzahl_worte) +
      " Worte in " + str(anzahl_saetze) + " Sätzen. \n")

print("Der kürzeste Satz besteht aus " + str(count_min) +
      " Worten und der längste Satz aus " + str(count_max) + " Worten.")
print("Im Mittel habe die Sätze dieses Textes " +
      str(count_mittel) + " Worte. \n")

print("Häufigkeit der Worte im Text: \n")
# for key, value in wordcount.iteritems():
#   print('{0:>2}'.format(value) + "  " + key)

for key, value in sorted(wordcount.iteritems(), key=lambda (k, v): (v, k), reverse=True):
    print('{0:>4}'.format(value) + "  " + key)

print("\n\n-- Ende des Analyseberichts -- \n")