导读：今天首席CTO笔记来给各位分享关于python统计多少行的相关内容，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
如何统计Python代码行数
def get_file_code_lines(path):
file = open(path)
content = file.readlines()
result = [c.strip() for c in content if c.strip()]
print(len(result))
if __name__ == \"__main__\":
get_file_code_lines(\"test2.py\")
powerbipython最多多少行
本次统计中纯 Python 代码量最大的 Sentry 几乎达到了 70W 行，这是相当有规模的项目了。30W~50W 行代码的项目有三个，包括基础项目 CPython 在内。20W 和 10W 行代码规模的分别有三个，剩下 7 个则在 10W 行以内。
看过这个列表你应当相信，动态语言至少在几十W行代码的项目上是完全没有问题的。这也是绝大多数普通应用的上限了，如果代码真的达到数百万行规模的话，那么无论用什么语言，都势必面临着拆分项目的问题。
上表将代码量指标按照代码/空白/注释进行了分类，也在一定程度上反应了项目的代码风格。Sentry 是本次统计中代码量最多的项目，然而从表中可以看到，项目中的注释和其他项目相比，少得有点不成比例，说明 Sentry 的作者非常不注重注释。
同学们一定发现了，我在列表中除了代码行相关的指标之外还增加了几个其他内容，这也是我个人比较感兴趣的方面。
第一个指标是每个文件的平均代码行数。按照模块化的观点，单个文件中堆砌太多内容显然是不合理的，这通常意味着耦合太多、难于理解和修改。然而到底多少算是合适，并没有一个明确的标准。我希望通过这些项目的分析，了解一下开源作者们在实践中做出的选择。
统计的结果分布比较平均，从 100~600行/文件的都存在，并不存在明显的集中点。有趣的是，头两名(Pandas, NumPy)有着紧密的联系，都是和数学统计相关的。这可能是因为数学库的特点比较纯粹而单一，不像其他类库那样容易划分。末尾的项目(Pillow, youtube-dl, Odoo, Scrapy)可以从侧面印证这种猜想：它们都是面向特定领域的，所以更加容易模块化。
第二个指标是注释和代码的比例，这个问题也有着类似的情况。注释并非越详尽越好，但总是需要一定量的注释来解释 Why 的问题。注释太少，说明项目的作者没有给后来的维护人员留下足够的线索，可能会造成维护上的问题。另一方面，我们考察的全部是开源项目，没有公司考核或者 KPI 的约束，所以我们可以放心的相信不会存在作者故意多写注释的问题。
前面提到的 Sentry 毫无争议的因为注释太少排到了最后，这未必说明这个项目很差，但至少是一个信号，说明该项目在维护方面可能是存在问题的。而对于那些作者愿意投入精力来写注释的项目(Ansible, NumPy, Fabric, Salt 等)，足以反映作者在项目上投入了相当大的心力，这是一个好的信号，说明这些项目是值得信赖的。
有一点是出乎我意料的，那就是作为所有项目之母的 CPython 排名比较靠后，按照道理这个基础项目应该有更多的注释才对。不过再想一想又觉得可以理解，因为 CPython 有单独发布的、非常详尽的文档，这是其他大多数项目都没有的，那么代码中的注释少一些也是情有可原的。
最后一项统计是关于文件类型的。Python 项目中绝大多数应该是 Python 代码，这点没有什么疑问，但同时我也想看看除了 Python 代码之外，一个项目还包括哪些主要文件。C/HTML/Javascipt 的上榜是毫不意外的，但有一种文件我事先没有想到，那就是 .PO(开源项目常用的语言资源文件)。
对于 Django 和 Django-CMS 这两个项目, PO 代码数量甚至比 Python 代码还要多。大概看了一下，Django 支持 90 种以上的语言，这也无怪乎语言文件的数量如此之多了。
这个结果也可以提醒我们，有些同学——不仅是程序员，也包括大多数经验不足的老板、客户、产品经理等——会下意识的认为程序开发无非是写代码，对于代码之外的其他工作，在估算的时候往往只拍脑袋式的定下一个极短的时间。但对于实际的项目来说，代码仅仅是其中的一部分，“其他工作”有时候——应该说是经常——会占用你大部分的的时间和精力。这些工作往往并不有趣，但对于项目来说又是必不可少的组成部分，希望同学们予以足够的重视。
python统计文本中有多少行
写一个文本统计的脚本：计算并打印有关文本文件的统计数据，包括文件里包含多少个字符、行、单词数，以及前10个出现次数最多的单词按顺序排列
import time
keep=[\'a\',\'b\',\'c\',\'d\',\'e\',\'f\',\'g\',\'h\',\'i\',\'j\',\'k\',\'l\',\'m\',\'n\',\'o\',\'p\',\'q\',\'r\',\'s\',\'t\',\'u\',\'v\',\'w\',\'x\',\'y\',\'z\',\' \',\'-\',\"\'\"]
stop_words=[\'the\',\'and\',\'i\',\'to\',\'of\',\'a\',\'you\',\'my\',\'that\',\'in\',\'she\',\'he\',\'her\',\'his\',\'it\',\'be\',\'was\',\'had\']
def normalize(s):
result=\'\'
for c in s.lower():
if c in keep:
result+=c
python 统计一个txt文档有多少行
def count_wc( filename ):
return int(os.popen(\'wc -l %s\'%filename).read().split()[0])
def count_wcx( filename ):
return int(os.popen(\'zcat %s | wc -l\'%filename).read().split()[0])
def count_readlines( fileobject ):
return len(fileobject.readlines())
def linecount_enumerate( fileobject ):
_count = -1
for _count, _line in enumerate(fileobject): pass
return _count + 1
def linecount_buffer( fileobject ):
_count = 0
#_thefile = open(testfilename, \'rb\')
while True:
#buffer = _thefile.read(65536) #64 KB
buffer = fileobject.read(65536) #64 KB
if not buffer: break
_count += buffer.count(\'\\n\')
return _count
结语：以上就是首席CTO笔记为大家整理的关于python统计多少行的全部内容了，感谢您花时间阅读本站内容，希望对您有所帮助，更多关于python统计多少行的相关内容别忘了在本站进行查找喔。
以上内容为新媒号(sinv.com.cn)为大家提供！新媒号，坚持更新大家所需的互联网后端知识。希望您喜欢！
版权申明：新媒号所有作品（图文、音视频）均由用户自行上传分享，仅供网友学习交流，不声明或保证其内容的正确性，如发现本站有涉嫌抄袭侵权/违法违规的内容。请发送邮件至 k2#88.com(替换@) 举报，一经查实，本站将立刻删除。
