​我拿 12 年 36 套四级真题做了什么 ?

不会英语的程序员不是好程序员 ？小詹不敢乱立 flag ，但是我知道的是程序员就喜欢自己动手干些实事 ，比如今天教大家自己动手做个有意思的项目——从历年四级英语真题中获取词频最高的 5000 个词汇 ，并进行翻译 ！综合用到了爬虫 、数据分析等知识 ，亲爱的读者们不来试试吗 ?

程序介绍

这是一个单词频率统计程序 ，基于python3 ，我将往年真题按照词频排序得到了四级词库 ：总结出了 5000 个出现频率极高的单词 。

• 自动批量收集文件中的英语单词 txt (utf-8)
• 统计排序保存到本地数据库 voca.db
• 翻译英文得到中文解释
• 数据库文件提取得到csv表格

在结合到大量的往年 cet-4 真题库的情况下

• 本软件成为了考试必备词库
• 希望大家都能轻松过四级

工作流程

1. settings.py 配置查询文档
2. work.py 自动分析数据保存至voca.db数据库文件
3. translate.py 自动打开数据库调用api翻译单词并保存到数据库里
4. db2csv.py 将数据库文件转换成csv表格文件

• python work.py
• python translate.py
• python db2csv.py

具体实现

• 数据 （docx 复杂的文档结构不好用，可以在word里面以txt方式保存）

• 读入文件拿到所有单词 def _open_file(self,filename):#打开文件，返回所有单词list with open(filename,'r',encoding='utf-8')as f: raw_words = f.read() low_words = raw_words.lower() words = re.findall('[a-z]+',low_words) #正则re找到所有单词 return words
• 剔除 常用单词（is am are do……） def _filter_words(self,raw_words,count=NUMBERS):#载入未处理的所有单词列表 和 默认count值 new_words = [] for word in raw_words:#找出非exclude 和 长度大于1 的单词 -> new_words if word not in exclude_list and len(word) > 1: new_words.append(word) pass
• 计数 from collections import Counter #计数器 pass c = Counter(words) #list new_words return c.most_common(5000) #拿到出现次数最多的5000单词，返回从大到小的排序list[(and,1),....]
• 数据库初始化 peewee模块 from peewee import * db = SqliteDatabase('voca.db') class NewWord(Model): # 单词名 name = CharField() # 解释 explanation = TextField(default='') # 词频 frequency = IntegerField(default=0) # 音标 phonogram = CharField(default='') class Meta: database = db
• 加入单词到数据库 def insert_data(self,words_times): # 向数据库内插入数据 for word,fre in words_times: word_ins = NewWord.create(name = word , frequency = fre) #直接调用create book.is_analyzed = True book.save()
• 翻译 #iciba翻译函数 def trans(self, word): url = 'http://www.iciba.com/index.php?a=getWordMean&c=search&word=' + word try: req = requests.get(url) req.raise_for_status() info = req.json() data = info['baesInfo']['symbols'][0] assert info['baesInfo']['symbols'][0] # 去除没有音标的单词 assert data['ph_am'] and data['ph_en'] # 去除没有词性的单词 assert data['parts'][0]['part'] except: return ('none','none') ph_en = '英 [' + data['ph_en'] + ']' ph_am = '美 [' + data['ph_am'] + ']' ex = '' for part in data['parts']: ex += part['part'] + ';'.join(part['means']) + ';' return ph_en+ph_am, ex #调用翻译函数，保存中文到数据库 for i in NewWord.select(): i.explanation = str(t.trans(i.name)[1]) i.save()
• 提取所有单词到csv import csv #提取所有数据库内容生成迭代对象 yield ~ 好好看看如何使用 def extract() pass for word in NewWord.select(): for i in [word.name, word.explanation, word.frequency]: datas.append(i) yield datas #保存函数 def save(data): with open('words.csv', 'a+', errors='ignore', newline='')as f: csv_writer = csv.writer(f) csv_writer.writerow(data) #主程序 datas = extract() #yeild 迭代对象 while True: try: data = next(datas) except: break save(data)

收获成果啦

翻译过程

出现次数最多的简单词

出现次数较少，值得一背的词

上述完整代码和获取到的统计结果（5000个高频词）分享到公号【小詹学python】，公号后台回复关键词 “四级” 即可获取 。最后 ，小詹只想说 so 因吹斯听~