漫漫長路

import html2text
from nltk.stem import PorterStemmer
import pymysql
from os import listdir
from os.path import isfile, isdir, join

# 指定要列出所有檔案的目錄
mypath = "D:/資料擷取/CACM_dataset/cacm/"

# 以列表取得所有檔案與子目錄名稱
files = listdir(mypath)

# 以迴圈處理
for f in files:
    # 產生檔案的絕對路徑
    fullpath = join(mypath, f)
    # 判斷 fullpath 是檔案還是目錄
    if isfile(fullpath):  # 為檔案
        cacm_file = open("cacm/CACM-0001.html", 'r', encoding='utf-8')
    # elif isdir(fullpath):  # 為子目錄，不管它


# file I/O
cacm_file = open("cacm/CACM-0001.html", 'r', encoding='utf-8')
f_content = cacm_file.read()
print(f_content)  # 原文

# file.html transfer to file.txt
h2t = html2text.HTML2Text()
f_content = h2t.handle(f_content)
print(f_content)

# tokenizing 分離每個字，去掉標點符號及空白鍵等
f_content = f_content.split()
print(f_content)
print(type(len(f_content)))
print()

# stemming 還原字根
stemmer = PorterStemmer()
for index in range(len(f_content)):
    print(stemmer.stem(f_content[index]))


    # 第一組是title
    # 然後CACM之前是abstract
    # CACM是日期
    # 下面再看有沒有作者

# 打开数据库连接
db = pymysql.connect("localhost", "root", "", "paper")

# 使用 cursor() 方法创建一个游标对象 cursor
cursor = db.cursor()

# 使用 execute()  方法执行 SQL 查询
cursor.execute("SELECT VERSION()")

# 使用 fetchone() 方法获取单条数据.
data = cursor.fetchone()

print("Database version : %s " % data)

# 关闭数据库连接
db.close()