Question

本章讲解了如何从本地磁盘文件和互联网中提取数据，用恰当的数据结构存储数据，提取与特定模式匹配的位和片段，以及pickle数据以便进一步处理。在计算机科学中，虽然知识和技术是有限的，但需要提取数据的场景却各式各样、无穷无尽。应用数据提取可以实现不同的目的，处理各种复杂的问题。此处仅列出有限的几种应用。

词频计数器*

编写一个程序，用于下载用户请求的网页，并给出网页中使用频率最高的十个词，所有词不区分大小写。出于练习的目的，可以简单地假设一个词由正则表达式r"\w+"确定8。

文件索引器**

编写一个程序，建立某个指定目录（文件夹）下所有文件的索引。程序应构造一个字典，其中键是所有文件中的所有唯一词（正则表达式r"\w+"所描述的、不区分大小写的词），并且字典里每个条目的值是包含该词的文件名列表。例如，如果单词aloha出现在文件early-internet.dat和hawaiian-travel.txt中，则字典将具有这样的条目：{...,'aloha':['early-internet.dat','hawaiian-travel.txt'],...}。

另外，程序应对该字典执行pickle操作，以供将来使用。

电话号码提取器***

编写一个程序，从给定的文本文件中提取出所有电话号码。这个任务并不容易，不同国家的电话号码书写格式超过几十种（请参考en.wikipedia.org/wiki/National_conventions_for_writing_telephone_numbers）。你能设计一个正则表达式来捕获它们吗？

如果这个任务对你来说不是很难，那你可以试试提取地址！

8中文的分词比英文复杂得多，最好使用英文网页完成该练习。——译者注

这个杰森是谁？为什么诸神都喜欢他？他从哪里来？他有什么样的故事？

——希腊诗人荷马