Comme quoi y’a pas que l’encoding qui fait chier dans les fichiers de texte…

« La marche des vertueux est semée d’obstacles qui sont les entreprises égoïstes

(c’est con le ‘i’ de ‘égoïstes’ avec trois points ne passe pas au c/c)
et le encode ascii le transforme en :

La marche des vertueux est semee dobstacles qui sont les entreprises egoistes

du coup ton sub ne remplace que la ponctuation et le ‘-‘ de ‘Tout-Puissant’ vu que le reste existe plus.

PS: mon python est le suivant (si ça joue): Python 2.7.3 (default, Sep 26 2013, 20:08:41) [GCC 4.6.3] on linux2

Et je voudrais finir ma défense avec la citation d’un homme célèbre:

Si vous ne savez pas ce que contient une variable, vous ne comprenez pas le programme

Ce qui est logique puisque exte = re.sub('[^%s]' % string.ascii_lowercase, ' ', texte.lower()) remplace l’apostrophe par un espace. Vil ! Perfide ! Enculé !

Findall est une meilleure solution en effet, par contre pas avec \w qui garde les underscores. Il faut une regex plus perfectionnée.

for i, e in enumerate(texte.split()):

alors que ceci me semble plus “opti” :
for i, e in enumerate(re.findall('[\w]+', texte.lower())):
vu qu’on ne passe qu’on parse qu’une fois le texte.
Surtout que .encode('ascii', 'ignore') à viré tout ce qui pouvais interférer avec la regex.

Et j’ajouterai que tu m’as menti!

@zanguu : “c’est” est une contraction de deux mot : “cela est”, donc c’est bien deux mots.

mais quand je fais tourner ton code j’ai :

– quil: 39
– jabattrai: 65
– leternel: 98
– cest: 175, 199, 208, 234

ce que j’ai personnellement géré grace à :
u''.join(c for c in unicodedata.normalize('NFKD', texte) if not unicodedata.combining(c ) et qui m’autorise à oublier le .encode('ascii', 'ignore')

PS: wouhou je suis dans l’article… et je casse les couilles après !