使用java編寫一個字符串詞頻統(tǒng)計工具
許多英語培訓機構(如新東方)都會出幾本“高頻詞匯”的書,主要內(nèi)容是統(tǒng)計近幾年來各類外語考試中屢次出現(xiàn)的高頻詞匯,幫助考生減少需要背的生詞的數(shù)量。但這些高頻是如何被統(tǒng)計出來的呢?顯然不會用手工去計算。
假如我們已經(jīng)將一篇文章存在一字符串(String)對象中,為了統(tǒng)計詞匯出現(xiàn)頻率,最簡單直接的做法是另外建一個Map:key是單詞,value是 次數(shù)。將文章從頭讀到尾,讀到一個單詞就到Map里查一下,如果查到了則次數(shù)加一,沒查到則往Map里一扔。
/** * Java中提供一個非常棒的HashMap函數(shù),只需要一步就可以統(tǒng)計單詞的頻率 */ import java.util.HashMap; public class WordMap { public static void main(String[] args) { String input = "a1,b2,3c,d4d,a1,b2,a1"; String[] ws = input.split(","); // 做的單詞分割, // 如果你要空格分割 String[] ws = input.split(" "); HashMap<String, Integer> hm = new HashMap<String, Integer>(); // 初始化HashMap for (String s : ws) { if (s.matches("[a-zA-Z]\\w+")) // 這里是一個正則表達式, // 判斷的是第一個必須是字母, // 后面的是一個字母或多個字母, // 一個數(shù)字或多個數(shù)字 { Integer cou = hm.get(s); // get()方法將產(chǎn)生一個與鍵相關聯(lián)的Integer值, // 然后這個值被遞增,為的是記錄標識符的個數(shù) hm.put(s, cou == null ? 1 : cou + 1); // 保存到HashMap中以單詞做key,判斷單詞是否為空,空為1,或則加1 } } System.out.println(hm); // 打印HashMap } }
這樣做雖然代碼寫起來簡單,但性能卻非常差。首先查詢Map的代價是O(logn),假設文章的字母數(shù)為m,則整個統(tǒng)計程序的時間復雜度為O(mlogn)不說,如果要拿高頻詞可能還需要對統(tǒng)計結果進行排序。即便對結構上進行優(yōu)化性能仍然不高。如果能夠將時間復雜度從O(mlogn)減少到O(m)的話不是更好?
為了改進算法我們首先引進單詞樹。與單詞前綴樹不同,單詞樹的結構相當簡單,結構如圖所示:
從圖中我們可以看出,樹中每個結點保存屬性值cnt與指向其26個子結點的指針(每一條路徑代表一個英文字母),其中cnt為到達該結點經(jīng)過路 徑所對應的英文單詞在文章中出現(xiàn)的次數(shù)。也就是說,我們開始讀文章時讓一個指針指向單詞數(shù)的根結點,之后每讀一個字母就讓該指針指向當前結點對應路徑上的子結點(若子結點為空則新建一個),一個單詞讀完后讓當前結點的cnt值加一,并讓指針重新指向根結點。而當一篇文章讀完之后我們的單詞樹也就已經(jīng)建立完 畢了。之后只要去遍歷它并把取到的單詞根據(jù)次數(shù)進行排序就行了(時間復雜度為O(nlogn))。
程序代碼如下,
首先是存放單詞及出現(xiàn)次數(shù)的JavaBean
public class WordCount { private String word; private int count; public int getCount() { return count; } public void setCount(int count) { this.count = count; } public String getWord() { return word; } public void setWord(String word) { this.word = word; } }
其次是實現(xiàn)詞頻表生成算法的類:
public class WordCountService { /** * 根據(jù)文章生成單詞樹 * @param text * @return */ private static CharTreeNode geneCharTree(String text){ CharTreeNode root = new CharTreeNode(); CharTreeNode p = root; char c = ' '; for(int i = 0; i < text.length(); ++i){ c = text.charAt(i); if(c >= 'A' && c <= 'Z') c = (char)(c + 'a' - 'A'); if(c >= 'a' && c <= 'z'){ if(p.children[c-'a'] == null) p.children[c-'a'] = new CharTreeNode(); p = p.children[c-'a']; } else{ p.cnt ++; p = root; } } if(c >= 'a' && c <= 'z') p.cnt ++; return root; } /** * 使用深度優(yōu)先搜索遍歷單詞樹并將對應單詞放入結果集中 * @param result * @param p * @param buffer * @param length */ private static void getWordCountFromCharTree(List result,CharTreeNode p, char[] buffer, int length){ for(int i = 0; i < 26; ++i){ if(p.children[i] != null){ buffer[length] = (char)(i + 'a'); if(p.children[i].cnt > 0){ WordCount wc = new WordCount(); wc.setCount(p.children[i].cnt); wc.setWord(String.valueOf(buffer, 0, length+1)); result.add(wc); } getWordCountFromCharTree(result,p.children[i],buffer,length+1); } } } private static void getWordCountFromCharTree(List result,CharTreeNode p){ getWordCountFromCharTree(result,p,new char[100],0); } /** * 得到詞頻表的主算法,供外部調用 * @param article * @return */ public static List getWordCount(String article){ CharTreeNode root = geneCharTree(article); List result = new ArrayList();//此處也可用LinkedList鏈表,以避免數(shù)組滿了擴容導致的性能損失 getWordCountFromCharTree(result,root); Collections.sort(result, new Comparator(){ public int compare(Object o1, Object o2) { WordCount wc1 = (WordCount)o1; WordCount wc2 = (WordCount)o2; return wc2.getCount() - wc1.getCount(); } }); return result; } } /** * 單詞樹結點的定義 * @author FlameLiu * */ class CharTreeNode{ int cnt = 0; CharTreeNode[] children = new CharTreeNode[26]; }
到此這篇關于使用java編寫一個字符串詞頻統(tǒng)計工具的文章就介紹到這了,更多相關java詞頻統(tǒng)計內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
相關文章
Spring Boot項目中結合MyBatis實現(xiàn)MySQL的自動主從切換功能
這篇文章主要介紹了Spring Boot項目中結合MyBatis實現(xiàn)MySQL的自動主從切換功能,本文分步驟給大家介紹的非常詳細,感興趣的朋友一起看看吧2025-04-04關于Spring中@Transactional事務回滾的注意事項
這篇文章主要介紹了關于Spring中@Transactional事務回滾的注意事項,回滾(Rollback)指的是程序或數(shù)據(jù)處理錯誤,將程序或數(shù)據(jù)恢復到上一次正確狀態(tài)的行為?;貪L包括程序回滾和數(shù)據(jù)回滾等類型,需要的朋友可以參考下2023-05-05