Python and Chinese Characters

Someone wrote to me from Beijing asking how to use Python to read Chinese characters, or Hanzi as they're called in Mandarin. It's easy enough if you're on OS X and your files are using the UTF-8 encoding for Unicode. Let's suppose I want to read a "chars" file containing traditional characters sorted by frequency (created by me using information from the libtabe project):

的 1715819
一 959100
中 811685
學 762058
有 669403
國 642527
大 568504
會 549800
是 549730
資 533923

Try to see if you can understand what the following code is doing:

% python
Python 2.4.1 (#2, Mar 31 2005, 00:05:10)
[GCC 3.3 20030304 (Apple Computer, Inc. build 1666)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> f=file('chars')
>>> contents=f.read()
>>> unicontents=contents.decode('utf8')
>>> lines=contents.split('\n')
>>> unilines=unicontents.split('\n')
>>> contents[:100]
'\xe7\x9a\x84 1715819\n\xe4\xb8\x80 959100\n\xe4\xb8\xad 811685\n\xe5\xad\xb8 762058\n\xe6\x9c\x89 669403\n\xe5\x9c\x8b 642527\n\xe5\xa4\xa7 568504\n\xe6\x9c\x83 549800\n\xe6\x98\xaf 549730\n'
>>> unicontents[:100]
u'\u7684 1715819\n\u4e00 959100\n\u4e2d 811685\n\u5b78 762058\n\u6709 669403\n\u570b 642527\n\u5927 568504\n\u6703 549800\n\u662f 549730\n\u8cc7 533923\n\u4eba 529755\n'
>>> lines[:10]
['\xe7\x9a\x84 1715819', '\xe4\xb8\x80 959100', '\xe4\xb8\xad 811685', '\xe5\xad\xb8 762058', '\xe6\x9c\x89 669403', '\xe5\x9c\x8b 642527', '\xe5\xa4\xa7 568504', '\xe6\x9c\x83 549800', '\xe6\x98\xaf 549730', '\xe8\xb3\x87 533923']
>>> unilines[:10]
[u'\u7684 1715819', u'\u4e00 959100', u'\u4e2d 811685', u'\u5b78 762058', u'\u6709 669403', u'\u570b 642527', u'\u5927 568504', u'\u6703 549800', u'\u662f 549730', u'\u8cc7 533923']
>>> len(contents)
99455
>>> len(unicontents)
73261
>>> len(lines)
13098
>>> len(unilines)
13098
>>> topchars=[]
>>> for line in unilines:
...   if line:
...     char, freq = line.strip().split()
...     topchars += [char]
...
>>> len(topchars)
13097
>>> topchars[:10]
[u'\u7684', u'\u4e00', u'\u4e2d', u'\u5b78', u'\u6709', u'\u570b', u'\u5927', u'\u6703', u'\u662f', u'\u8cc7']
>>> for char in topchars[:100]:
...   print char.encode('utf8'),
...
的 一 中 學 有 國 大 會 是 資 人 不 在 業 台 公 之 網 新 上 回 我 以 用 年 文 電 及 行 為 生 科 工 心 本 訊 時 日 市 與 可 要 家 路 地 期 體 個 所 理 院 教 下 頁 發 司 來 作 政 計 出 全 第 十 成 立 員 到 技 主 了 於 前 名 小 商 料 系 關 這 機 務 分 民 動 法 月 研 者 經 二 術 能 區 三 灣 高 內 子 天

This code doesn't do anything very sofisticated, it just extracts the first 100 characters from my "chars" file and prints them, so the result is a list of the 100 most frequently used traditional Chinese characters.

Note: for this to work, make sure your Terminal.app is configured to use UTF-8:

Comments

[Chinese-Tools.com]

Lots of converter (Utf8, traditional / simplified, pronunciation) tools for programer are available at this adress:
http://www.chinese-tools.com/tools

[kely]

Pretty nice site, wants to see much more on it!a

[mink]

Thank you for you work! Good Luck.o

[Tim]

Hi our little brothers.l

[Jimpson]

excellent texture.,

[marshal]

Very good web site, great work and thank you for your service.+h

[rty]

Big thanx to webmaster!

[hely]

Thank you very much.r

[vikyi]

O, super project.T

[dig chinese]

Useful list of \u codes