main.py - master - vvtex/xml

import xml.etree.ElementTree as ET


def read_xml(file_path, word_max_len=6, top_words_amt=10):
    # 1. Парсинг XML
    tree = ET.parse(file_path)
    root = tree.getroot()

    # 2. Инициализация словаря для подсчёта слов
    word_counts = {}

    # 3. Символы для очистки слов
    symbols = '!@#$%^&*()_+-=[]{}|;:",./<>?`~\'\\»«—‘’“…”∙'

    # 4. Обработка каждого элемента <item>
    for item in root.findall('.//item'):
        description = item.find('description')
        if description is None or not description.text:
            continue

        # 5. Разбивка текста на слова и очистка
        text = description.text
        for word in text.split():
            cleaned = word.strip(symbols)  # Удаление символов по краям
            if len(cleaned) > word_max_len:
                # 6. Подсчёт частоты слов
                word_counts[cleaned] = word_counts.get(cleaned, 0) + 1

    # 7. Сортировка: сначала по частоте (убывание), потом по порядку появления
    sorted_words = sorted(
        word_counts.items(),
        key=lambda x: (-x[1], list(word_counts.keys()).index(x[0]))
    )

    # 8. Возврат топ-N слов
    return [word for word, _ in sorted_words[:top_words_amt]]


if __name__ == '__main__':
    print(read_xml('newsafr.xml'))

# выведет ['туристов', 'компании', 'Wilderness', 'странах', 'туризма', 'которые', 'африканских', 'туристы', 'является', 'природы']