本文主要是介绍python数据清洗-找到重复的txt并输出字数最少的，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
import os
import json
from collections import Counterdef find_and_write_duplicate_txt_files(root_folder, output_file):# 存储所有找到的 txt 文件名和路径的字典列表txt_files_dict_list = []# 统计每个文件名出现的次数filename_counts = Counter()# 遍历文件夹及其子文件夹for foldername, _, filenames in os.walk(root_folder):for filename in filenames:# 只处理 txt 文件if filename.endswith('.txt'):# 记录文件名出现的次数filename_counts[filename] += 1list1=[]# 遍历文件夹及其子文件夹for foldername, _, filenames in os.walk(root_folder):for filename in filenames:# 只处理 txt 文件if filename.endswith('.txt'):# 如果文件名出现次数大于等于2，则记录其路径if filename_counts[filename] >= 2:# 构建 txt 文件的路径txt_filepath = os.path.join(foldername, filename)# 将文件名和路径存储在字典中txt_files_dict = {'filepath': txt_filepath, 'filename': filename}# 将字典添加到列表中txt_files_dict_list.append(txt_files_dict)if filename not in list1:list1.append(filename)print(len(list1),list1)# 将字典列表写入 JSONL 文件with open(output_file, 'w', encoding='utf-8') as f_out:for txt_file_dict in txt_files_dict_list:json.dump(txt_file_dict, f_out, ensure_ascii=False)f_out.write('\n')# 调用函数遍历文件夹并将结果写入 JSONL 文件
find_and_write_duplicate_txt_files('D:\\2024work\\5月小说', '重复的txt.jsonl')import jsondef process_output_file(input_file, output_file):# 读取 'output.jsonl' 文件file_data = []with open(input_file, 'r', encoding='utf-8') as f_in:for line in f_in:file_data.append(json.loads(line))# 找到每个文件名对应的最大字数的文件filename_to_data = {}for data in file_data:filename = data['filename']filepath = data['filepath']with open(filepath, 'r', encoding='utf-8') as f:content = f.read()file_size = len(content)if filename not in filename_to_data or file_size > filename_to_data[filename]['file_size']:filename_to_data[filename] = {'filepath': filepath, 'file_size': file_size}# 将数据写入新的 JSONL 文件with open(output_file, 'w', encoding='utf-8') as f_out:for filename, data in filename_to_data.items():json.dump({'filename': filename, 'filepath': data['filepath']}, f_out, ensure_ascii=False)f_out.write('\n')# 调用函数处理 'output.jsonl' 文件并将结果写入新的 JSONL 文件
process_output_file('重复的txt.jsonl', '重复的txt_output.jsonl')这篇关于python数据清洗-找到重复的txt并输出字数最少的的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
