Java实现的词频统计——功能改进
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Java实现的词频统计——功能改进相关的知识,希望对你有一定的参考价值。
本次改进是在原有功能需求及代码基础上额外做的修改,保证了原有的基础需求之外添加了新需求的功能。
功能:
1. 小文件输入——从控制台由用户输入到文件中,再对文件进行统计;
2.支持命令行输入英文作品的文件名;
3.支持命令行输入存储有英文作品文件的目录名,批量统计;
4.从控制台读入英文单篇作品,重定向输入流。
实现:
1.判断输入方式,如果从命令行传递参数则直接对文件进行统计;如果未传递参数,其方式同控制台相同,由用户从标准输入流输入到文件,再对文件进行词频统计。这里如果传入文件路径时会对其是否是文件夹进行判断,如果是文件夹,则对其目录中的文件进行统计。
1 if (args.length == 0) { 2 Scanner in = new Scanner(System.in); 3 FileWriter out = new FileWriter("Content.txt"); 4 5 System.out.println("请输入内容,最后以Q结束:"); 6 7 while (in.hasNext()) { 8 out.write(in.nextLine()+"\r\n"); 9 } 10 out.close(); 11 in.close(); 12 13 new FileProccessing("Content.txt"); 14 } 15 for (int i = 0; i < args.length; i++) { 16 String FileName = args[i]; 17 File fs = new File(FileName); 18 if (fs.isDirectory()) { 19 File[] filelist = fs.listFiles(); 20 for (int n = 0; n < filelist.length; n++) { 21 new FileProccessing(filelist[n].getAbsolutePath()); 22 } 23 24 } else { 25 new FileProccessing(FileName); 26 } 27 }
2.对ByValueComparator类做了修改,使其能够按词频降序排列的同时,对同频率的单词进行升序排列。
1 public class ByValueComparator implements Comparator<Entry<String,Integer>> { 2 Map<String, Integer> hashmap; 3 public ByValueComparator(Map<String, Integer> hm) { 4 this.hashmap = hm; 5 } 6 7 @Override 8 public int compare(Entry<String, Integer> o1, Entry<String, Integer> o2) { 9 // TODO Auto-generated method stub 10 11 if (o1.getValue().compareTo(o2.getValue()) == -1) { 12 return 1; 13 } else if (o1.getValue().compareTo(o2.getValue()) == 0) { 14 return o1.getKey().compareTo(o2.getKey()); //单次出现频率相同时,对单词进行升序排列 15 } else { 16 return -1; 17 } 18 } 19 }
3.与上一次相比,为了方便调用,将对文件进行统计操作的代码归入新的类FileProccessing。同时将readline()改为read(char[] c),解决了当一行字符过多时报错的问题。当进行统计的文件过大时,原本输出到屏幕会自动改为输出到文件中,避免了因输出而占用了大部分时间,同时方便用户查阅(默认输出到工程目录下)。
其中有个小细节:程序中char数组默认大小为64,当读到最后一块时,字符不足64个时,多余未读入字符的数组元素默认为‘\0‘,拆分之后输出结果中会多出一项“ ——1”。因此,在StringTokenizer方法中要录入"\0"作为分隔字符。
读入文件并进行统计,结果存入到hashmap中:
1 int i = 0; 2 char[] c = new char[64]; 3 String thelast = ""; 4 String wordpart = ""; 5 while ((i = br.read(c)) > 0) { 6 wordpart = ""; 7 8 int m = i - 1; 9 while (Character.isLetter(c[m])) { 10 wordpart = String.valueOf(c[m]) + wordpart; 11 c[m] = ‘ ‘; 12 m--; 13 } 14 String s = thelast + String.valueOf(c); 15 StringTokenizer st = new StringTokenizer(s, " ,.!?\"\‘;:0123456789\n\r\t“”‘’·——-=*/()[]{}…()【】{}\0"); // 用于切分字符串 16 17 while (st.hasMoreTokens()) { 18 String word = st.nextToken(); 19 if (hm.get(word) != null) { 20 int value = ((Integer) hm.get(word)).intValue(); 21 value++; 22 hm.put(word, new Integer(value)); 23 } else { 24 hm.put(word, new Integer(1)); 25 } 26 } 27 thelast = wordpart; 28 } 29 if (!wordpart.isEmpty()) { 30 if (hm.get(wordpart) != null) { 31 int value = ((Integer) hm.get(wordpart)).intValue(); 32 value++; 33 hm.put(wordpart, new Integer(value)); 34 } else { 35 hm.put(wordpart, new Integer(1)); 36 } 37 }
判断输出内容多少,自动匹配标准输出还是文件输出。其中运用了正则替换,用来打印当前文件名。同时还对总单词量及词汇量进行了统计:
1 int NumofWord = 0; 2 Iterator iter = hm.entrySet().iterator(); 3 while (iter.hasNext()) { 4 Map.Entry entry = (Map.Entry) iter.next(); 5 NumofWord += (Integer) entry.getValue(); 6 } 7 String reg = ".*\\\\(.*)"; 8 String name = filename.replaceAll(reg, "$1"); 9 if (hm.size() > 100) { 10 11 FileWriter result = new FileWriter("Result.txt", true); 12 13 result.write("~~~~~~~~~~~~~~~~~~~~\r\n"); 14 result.write(name.substring(0, name.lastIndexOf(".")) + "\r\n"); 15 result.write("number of the words:" + NumofWord + "\r\n"); 16 result.write("totals:" + hm.size() + "\r\n"); 17 for (Map.Entry<String, Integer> str : ll) { 18 result.write(str.getKey() + "——" + str.getValue() + "\r\n"); 19 } 20 21 result.write("~~~~~~~~~~~~~~~~~~~~\r\n"); 22 23 System.out.println("由于" + name.substring(0, name.lastIndexOf(".")) + "文件过大,输出到文件Result中。"); 24 result.close(); 25 } else { 26 System.out.println("~~~~~~~~~~~~~~~~~~~~"); 27 System.out.println(name.substring(0, name.lastIndexOf("."))); 28 System.out.println("number of the words:" + NumofWord); 29 System.out.println("totals:" + hm.size()); 30 for (Map.Entry<String, Integer> str : ll) { 31 System.out.println(str.getKey() + "——" + str.getValue()); 32 } 33 34 System.out.println("~~~~~~~~~~~~~~~~~~~~"); 35 }
运行结果:
1.命令行标准输入界面:
2.执行结果:
3.控制台界面:
4.命令行传入文件:
5.同时传入大文件及文件夹:
6.重定向输入:
代码地址:
HTTPS https://coding.net/u/regretless/p/WordFrequencyCount/git
SSH [email protected]:regretless/WordFrequencyCount.git
GIT git://git.coding.net/regretless/WordFrequencyCount.git