将“utf-8”编码字符串列表转换为常规字符串

Question

我正在使用 tweepy 库来获取推文文本列表，我需要将 200 条推文中的单词与停用词列表进行比较，并删除推文文本列表中的停用词，这样我才能说出这些词是什么在搜索的推文中出现最多的。

问题是当我检索 tweet.texts 时，我必须对其进行编码才能得到它，因此我得到了一个 b'word' 列表，它无法与我的常规字符串停用词列表进行比较。

def get_tweetwords():
    print("Ingrese el hashtag a buscar, no olvide escribir el numeral (#)(Ctrl+3)")
    hashtag=str(input())
    while (hashtag[0])!="#":
        print("No olvide escribir el numeral. Vuelva a escribir el hashtag:")
        hashtag=str(input())
    busqueda=tweepy.Cursor(api.search,q=hashtag).items(10)
    twlist=[]
    listadepalabras=[]
    for tweets in busqueda:
        twlist.append(tweets.text.encode('utf-8'))
    for i in twlist:
        x=i.split()
    for j in x:
        listadepalabras.append(j)
    return(listadepalabras)

我需要将listadepalabras 列表解码为字符串列表，以便将其与stopwords 列表进行比较并删除其停用词。

def get_stopwords():   
    listastopwords=[item for item in open("stopwords.txt").readlines()]
    for item in listastopwords:
        if "\n" in listastopwords:
           listastopwords[listastopwords.index(item)]=item.replace("\n","")
    return(listastopwords)

def sacar_stopwords():
    listadepalabras=get_tweetwords()
    listastopwords=get_stopwords()
    for i in listadepalabras:
        for j in listastopwords:
            if i==j:
                listadepalabras.remove(j)
    return(listadepalabras)

这不起作用，因为我的文本列表包含 b'word' 格式的单词，而我的停用词列表只是 'word'

def repeticiones_palabra():
    listadepalabras=sacar_stopwords()
    diccionario=collections.Counter(listadepalabras)
    diccionario=dict(diccionario.most_common(10))
    print ("-LAS 10 PALABRAS MAS UTILIZADAS SON-")
    print(diccionario)

这应该让我获得列表中最常用的 10 个单词，并且它运行良好，但我得到的主要是停用词和我寻找的主题标签，因此我可以知道我的停用词没有从列表中删除。

repeticiones_palabra()

我希望我说清楚了，我是 python 和堆栈溢出的初学者。提前致谢。

Answer 1

b'some string' 是 BYTESTRING

要将其转换为常规字符串，必须使用字符串对象的 .decode() 内置函数：

lst = [b'abc', b'def']
# >>> [b'abc', b'def']
lst2 = [s.decode("utf-8") for s in lst]
# >>> ['abc', 'def']

编辑： 我看到你之前在线编码字符串

for tweets in busqueda:
    twlist.append(tweets.text.encode('utf-8'))

为什么要编码然后又要解码？

只需将其更改为：

for tweets in busqueda:
    twlist.append(tweets.text)