split txt file en tellen van het aantal woorden

[Anoniem: 750909]

Ik heb een txt file met een htlm format dat drie artikelen aangegeven met < doc> < /doc> bevat.
Nu moet ik de woorden tellen en de volgende output krijgen:

[on] -> [1, 20] -> [2, 34] -> [3, 12]
[escape] -> [1, 7] -> [3, 2]

Echter heb ik nu code geschreven die alle woorden in het txt telt en niet apart voor de 3 artikelen:

import re
import nltk
import numpy as np
import matplotlib.pyplot as plt
from operator import itemgetter


file=open('/Users/ch 1/Desktop/data.txt')

def unicount(file):
dic={}

for word in file.read().split():
word = word.lower()
if tekens(word) == False:
continue
elif word in dic:
dic[word] += 1
else:
dic[word] = 1
print dic
print len(dic)
#print sorted(dic.items(), key=itemgetter(1)) ## print words on sorted count

#plt.bar(dic.keys(), dic.values(), align='center')
#plt.show()


def tekens(word):
''' Filtering out all punctuation marks'''
regex = re.compile("^[A-Za-z0-9]+$")
if regex.match(word):
return True
else:
return False

unicount(file)

Waar is als output het volgende krijg:
'effect': 1, 'deficits': 1, 'provide': 1

[RobIII]

En wat verwacht je nu van ons Neem onze Quickstart even door en Kan iemand even...? en plaats dan een nieuw topic met gebruik van code tags. Vertel daarin dan vooral wat je zelf al hebt geprobeerd/gezocht/gevonden en wat je bevindingen zijn na debuggen (Debuggen: Hoe doe ik dat?).