それから少しサイトをほうっておいてトラックバックスパムを貯めてから、下記のスクリプトを実行して出現する単語の数を数えます。

ちなみに、初期状態では Python Script では使えない re モジュールとか使ってますので、 PythonScript で標準以外のモジュールを使う に記述したような形で使えるようにします。

from re import compile
NON_WORD_REGEX = compile(r"[\W\-]+")

# private 状態のトラックバックを検索
catalog = context.portal_catalog
results = catalog.searchResults(meta_type='COREBlogTrackback', review_state='private')

words = {}

for result in results:
    tb = result.getObject()
    # タイトルやブログの名前を単語に分割
    s = " ".join((tb.title, tb.blog_name, tb.url, tb.excerpt))
    s = NON_WORD_REGEX.sub(" ", s).lower().split()
    # 出現した単語の数を数える
    for word in s:
        words[word] = words.get(word, 0) + 1

# 単語を出現数順に並べ替える
words_tuple=words.items()
words_tuple.sort(lambda x,y:y[1]-x[1])

for word, count in words_tuple:
    print count, word

return printed

そして、このスクリプトを実行した結果が添付の画像です。

buy, http, com みたいな一般的な単語は抜いて、次に作成するトラックバックスパム対策用のスクリプトで単語リストとして使用します。

(つづく)