基于词表统计文本文件词频遇问题：代码无结果求助排查

问题原因 #

• 文本拆分逻辑错误：你用re.findall('\w+', ...)将文本拆分为单个单词，但目标词表包含virtual currency这类多词短语，拆分后的单个单词无法与短语匹配，导致没有结果。
• 计数语法错误：counter[i]= +1的写法无法实现累计计数，即便匹配到目标词，每次也只会将值设为1，且初始空字典直接赋值可能引发键不存在的问题。

修正后的代码 #

import re
from collections import defaultdict

counter = defaultdict(int)
path = r'C:\test\QTR2\712515\0000712515-17-000035.txt'
# 修正了词表中"Etherrum"的拼写错误（如果是输入笔误）
target_terms = ['virtual currency','virtual currencies','Bitcoin','Litecoin','dogecoin','Ethereum']

# 安全读取文件并转为小写
with open(path, 'r', encoding='utf-8') as f:
    doc_content = f.read().lower()

# 遍历每个目标短语，统计出现次数
for term in target_terms:
    # 用正则匹配完整短语，避免部分匹配
    match_count = len(re.findall(r'\b' + re.escape(term) + r'\b', doc_content))
    counter[term] += match_count

# 输出统计结果
print(dict(counter))

改进说明 #

• 使用with语句读取文件，确保文件资源自动释放，避免资源泄漏。
• 直接在完整文本中匹配目标短语，\b用于匹配词边界，避免把类似"virtual currencyabc"的内容误判为匹配；re.escape处理短语中的特殊字符，避免正则语法冲突。
• 用defaultdict(int)简化计数逻辑，无需手动判断键是否存在。
• 修正了词表中可能的拼写错误（将"Etherrum"改为常见的"Ethereum"，如果是输入时的笔误）。

内容的提问来源于stack exchange，提问作者Ciercy