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:

  技术分享

  2.执行结果:

  技术分享

  3.控制台界面:

  技术分享

   4.命令行传入文件:

  技术分享

   5.同时传入大文件及文件夹:

   技术分享

  技术分享

   6.重定向输入:

  技术分享

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

 

以上是关于Java实现的词频统计——功能改进的主要内容,如果未能解决你的问题,请参考以下文章

词频统计的java实现方法——第一次改进

词频统计代码任务总结

201671010432词频统计软件项目报告

词频统计——项目总结报告

第一次个人作业之词频统计

java词频统计——改进后的单元测试