当字符串中有逗号时，找不到两个字符串数组的正确交集

Posted 2023-04-14

【中文标题】当字符串中有逗号时，找不到两个字符串数组的正确交集

【英文标题】：cannot find correct intersection of two string arrays when there is comma in strings

【发布时间】：2015-12-08 14:53:02

【问题描述】：

我有两个 CSV 文件：“userfeatures”和“itemfeatures”。 userfeature 中的每一行都与特定用户相关。例如，userfeature 文件的第一行是：

005c2e08","Action","nm0000148","dir_ nm0764316","USA"

我需要找到这条线与第二个文件“itemfeatures”的每一行的交点。 （实际上，我需要为所有用户重复此过程，即所有“userfeatures”行）。

所以，第一个比较将是与“itemfeatures”的第一行，即：

"tt0306047","Comedy,Action","nm0267506,nm0000221,nm0356021","dir_ nm0001878","USA"

交集的结果应该是 ["Action", "USA]" 但不幸的是，我的代码只找到 ["USA"] 作为匹配项。到目前为止，这是我尝试过的：

public class Main 
  public static void main(String[] args) throws Exception    
     BufferedReader userfeatures = new BufferedReader(new FileReader("userFeatureVectorsTest.csv"));
     BufferedReader itemfeatures = new BufferedReader(new FileReader("ItemFeatureVectorsTest.csv"));       
     ArrayList<String> userlines = new ArrayList<>();
     ArrayList<String> itemlines = new ArrayList<>();
     String Uline = null;      
        while ((Uline = userfeatures.readLine()) != null) 
            for (String Iline = itemfeatures.readLine(); Iline != null; Iline = itemfeatures.readLine()) 
                System.out.println(Uline); 
                System.out.println(Iline);                
                System.out.println(intersect(Uline, Iline)); 
                System.out.println(union(Uline, Iline)); 
            
        
 userfeatures.close();
 itemfeatures.close();
     
  static Set<String> intersect(String Uline, String Iline) 
      Set<String> result = new HashSet<String>(Arrays.asList(Uline.split(",")));
      Set<String> IlineSet = new HashSet<String>(Arrays.asList(Iline.split(",")));
      result.retainAll(IlineSet);
      return result;
     
  static Set<String> union(String Uline, String Iline) 
      Set<String> result = new HashSet<String>(Arrays.asList(Uline.split(",")));
      Set<String> IlineSet = new HashSet<String>(Arrays.asList(Iline.split(",")));
      result.addAll(IlineSet);
      return result;
   

我认为问题与Uline.split(",") 和Iline.split(",") 有关，因为他们将"Comedy,Action" 视为1 个单词，因此无法找到[Action] 作为"Comedy,Action" 和"Action" 的交集。 如果有人知道如何解决此问题，我将不胜感激。 非常感谢，

【问题讨论】：

因为当您使用, 拆分时，您会得到"Action" 和Action"。

【参考方案1】：

尝试删除两个字符串中的双引号。

因为当你分裂时

"tt0306047","喜剧，动作","nm0267506,nm0000221,nm0356021","dir_ nm0001878","美国"

你会得到一个

动作”

token ，它永远不会匹配

“行动”

令牌。

【讨论】：

感谢您的回答。抱歉，我对 Java 很陌生。我应该使用line = line.replace("\"", ""); 吗？

【参考方案2】：

如果您打印您的线路，它会是什么样子？我认为您的问题在于读取文件，例如：

"005c2e08","Action","nm0000148","dir_ nm0764316","USA"

用','分割会产生：

"005c2e08" “行动”

等等。而对于您的第二行，它将是：

“tt0306047” “喜剧 行动”

这就是为什么美国在拦截，但行动不是。

使用 csv reader 读取 csv 文件，然后用逗号分割 CSV 行的属性。这样你就可以摆脱引号，你的代码就可以工作了

例如，这个库对于读取 CSV 文件非常方便：

http://opencsv.sourceforge.net/

【讨论】：

不用担心。对于您的示例，它应该真正开箱即用。否则，您可以告诉 opencsv 您的分隔符和报价是什么。这样，它会将引号内的逗号视为 CSV，并将引号外的逗号视为 CSV 的分隔符。他们的网站上有一个很好的例子。

非常感谢您的帮助。我只需从两个字符串中删除“”即可得到答案:)