# Extrae palabras de un texto, más eficiente

from datetime import datetime

def extrae_palabras(texto):
    # dado un texto extrae todas las palabras que hay
    # considerando palabra toda secuencia de letras
    # mayúsculas, minúsculas, acentuadas, u con diéresis
    # ḥ y h. aspiradas, ḷḷ y l.l vaqueira

    letras=letras="abcdefghijklmnñopqrstuvwxyz"+"áéíóúü"+"ḥḷ"
    letras=letras+letras.upper()

    # cualquier cosa que no sea letra se considerará separador
    # de palabras, por tanto hay que considerar la l.l como ll
    # y la h.<vocal> como h<vocal>

    # casos de la ch vaqueira, no pude haber la primera
    # minúscula y la segunda mayúscula
    texto=texto.replace("l.l","ḷḷ")
    texto=texto.replace("L.l","Ḷḷ")
    texto=texto.replace("L.L","ḶḶ")

    # casos de la h aspirada seguida de vocal acentuada o no
    texto=texto.replace("h.a","ḥa")
    texto=texto.replace("h.e","ḥe")
    texto=texto.replace("h.i","ḥi")
    texto=texto.replace("h.o","ḥo")
    texto=texto.replace("h.u","ḥu")
    texto=texto.replace("h.á","ḥá")
    texto=texto.replace("h.é","ḥé")
    texto=texto.replace("h.í","ḥí")
    texto=texto.replace("h.ó","ḥó")
    texto=texto.replace("h.ú","ḥú")

    # a partir de aquí todo lo que no sea letra será separador
    ya_reemplazados=""
    for caracter in texto:
        if caracter not in letras+ya_reemplazados:
            # carácter nuevo que no es letra ni ha sido ya reemplazado
            texto=texto.replace(caracter," ")
            ya_reemplazados=ya_reemplazados+caracter

    # el texto ya contiene solo letras y espacios
    return texto.split()

# programa principal
fichero=open("Don Quijote de la Mancha.txt")
texto=fichero.read()
fichero.close()

hora_inicial=datetime.now()
lista_palabras=extrae_palabras(texto)

print("tiempo transcurrido:",datetime.now()-hora_inicial)
print("número de palabras:",len(lista_palabras))