cleanTextPyarabic.py

#!/usr/bin/python
# -*- coding=utf-8 -*-
"""
An example of cleaning arabic text with PyArbic Library 

Requirements: pip install pyarabic
Data: text file
Ouput: text file ( cleaned)
"""
import sys
import pyarabic.araby as araby

def clean_file(file_name, outfile_name):

    # open file with unicode
    try:
        myfile = open(file_name, encoding="utf8")
    except:
        print("Can't open file ", file_name)
        print("Exit from program ", file_name)
        sys.exit()
    # read lines from file:
    lines = myfile.readlines()
    cleaned_lines = []
    # for each line, we do treatment to clean text
    for text_line in lines:
        # conditions to make on text, keep only arabic letters and text
        conditions = [araby.is_arabicrange,]
        # actions to do on texts,
        # remove tashkeel
        # remove all kind of diacrtics like small alif, or other marks koranics for example
        # remove tatweel
        morphs  = [araby.strip_tashkeel, araby.strip_diacritics, araby.strip_tatweel]

        tokens = araby.tokenize(text_line,conditions= conditions, morphs= morphs)
        # tokens is a list, join them to be a cleaned text line
        cleaned_one_line = " ".join(tokens) + "\n"
        # append line into a list of cleaned lines
        cleaned_lines.append(cleaned_one_line)
    # after treatments, write into files
    # open destination file
    try:
        myoutfile = open(outfile_name, "a+", encoding="utf8",)
    except:
        print("Can't open file  to write outputs", outfile_name)
        print("Exit from program ", outfile_name)
        sys.exit()
    # write lines into file
    myoutfile.writelines(cleaned_lines)
    myoutfile.flush()
    # close file
    myoutfile.close()


#  Main function
if __name__ == '__main__':
    file_name = 'text_file.txt'
    outfile_name = "output.txt"
    clean_file(file_name,outfile_name)

text_file.txt

أذكر مشكلة كهذه اعترضتني في مشروع تعريب رسمي، وأظن عندي فكرة عن السبب لذلك يمكن أن أعلق بخصوص الموضوع.
ايش بدهم من الأطفال؟ شركة ملابس عالمية فارهة تعمل حملات إعلانية تتضمن إيحاءات جنسية وتقديم قرابين من الأطفال للشيطان
ستُغلق خدمة Revue، وهي خدمة النشرات البريدية التي استحوذ عليها تويتر ودمجها في منصته، ولن يعود بالإمكان استخدامها.
يبدو أن إيلون ماسك يركّز على أمور محددة فقط بعد استحواذه على تويتر ولا يريد أن يتابع كل شيء كما كان في السابق.
https://getrevue.co
في هذه الحروف فعل رباعي جميع حروفه أصلية.. ما هو؟
من يريد الحصول على أول تعريب تجاري قانوني للعبة على كمبيوتر العائلة (الفاميكوم) يستطيع أن يحجز نسخته من الآن ♥
بمناسبة هذا الإصدار، أود أشكر جدا @TheAdamSaeed
 على توفيره شعارا معربا للعبة في وقت قياسي ووفق شروط تقنية دقيقة. وكذلك الناشر على السماح لنا بتعريب اسم اللعبة ♥
 تبعاً للخبراء: أفضل نصائح التفاوض على الراتب في مقابلات العمل
 في فترة التضخم تكثر اتصالات بعض البنوك لمحاولة تدبيسك بقروض تكميليةبعروض مغرية
من اجل اخضاعك طيلة حياتك للديون

ستكون وليمة بالنسبة لهم ان وافقت من اجل
اخذ المال للكماليات الغير طارئة جدا في نفقاتك
الشخصية او الاسرة(سيتم التواصل معك فريق)
محترف بالاقناع نسائي اورجالي
(اسحب عليهم)
أذكر مشكلة كهذه اعترضتني في مشروع تعريب رسمي، وأظن عندي فكرة عن السبب لذلك يمكن أن أعلق بخصوص الموضوع.