Java实现读取文章中重复出现的中文字符串
程序员文章站
2024-03-04 21:01:36
在上个星期阿里巴巴一面的时候,最后面试官问我如何把一篇文章中重复出现的词或者句子找出来,当时太紧张,答的不是很好。今天有时间再来亲手实现一遍。其实说白了也就是字符串的处理,...
在上个星期阿里巴巴一面的时候,最后面试官问我如何把一篇文章中重复出现的词或者句子找出来,当时太紧张,答的不是很好。今天有时间再来亲手实现一遍。其实说白了也就是字符串的处理,所以难度并不是很大。
以下是代码和运行效果:
实现方法:
import java.io.*; import java.util.*; /** * created by chunmiao on 17-3-20. */ public class readarticle { //读取文件名称 private string filename; //读取段落 private arraylist<string> result = new arraylist<>(); //最小字长(两个字以上进行匹配) private final int minsize = 2; //重复词储存 hashset<string> set; public readarticle(string filename, hashset<string> set) { this.filename = filename; this.set = set; } public void createdata() throws ioexception { string r; //读取文章内容 bufferedreader in = new bufferedreader(new filereader(new file(filename).getabsolutefile())); try { while ((r = in.readline()) != null) { //消除不必要的标点符号 r = r.replaceall("\\s+ |“|\\[|‘|《| *|", "").trim(); //留下” , 。 。” ”。 ”, ? 》 -等作为划分句子的分割符标示 collections.addall(result, r.split(",|(。”|”(。|,)|。)|(\\])|”|'|?|:|》|-")); } }finally { in.close(); } //对文章内容进行遍历找出重读出现的句子或者是词语 for (int i = 0 ; i < result.size() - 1; i ++){ for (int j = 0 ; j < result.size() - i - 1; j ++) { //将重复出现的词语保存到set集合里面 set.addall(getsamecharacter(result.get(i), result.get(j + i + 1))); } } } private arraylist<string> getsamecharacter(string a1, string a2){ string maxs; string mins; //短句遍历开始处 int start = 0; //词的长度最短为两个字长 int range =2; //设定短句和长句s,使得遍历更加快捷 if (a1.length() <= a2.length()){ maxs = a2; mins = a1; }else { maxs = a1; mins = a2; } string result = ""; arraylist<string> list = new arraylist<string>(); //防止substring时超出范围 while (start + range <= mins.length()) { //如果句子或词在对象里面,则找出相应的句子或词保存在list里面 if (maxs.indexof(mins.substring(start, start + range)) != -1) { //获取最长句子,删除短句子 list.remove(result); list.add(mins.substring(start, start + range)); result = mins.substring(start, start + range); range++; continue; } range = minsize; start++; } return list; } }
测试代码:
import java.io.ioexception; import java.util.hashset; public class main { public static void main(string[] args) throws ioexception { string filename = "test.txt"; hashset<string> result = new hashset<string>(); readarticle read = new readarticle(filename,result); read.createdata(); system.out.println("这篇文章中的重复出现的词或句子有以下几个词或句子:\n"); for (string s : result){ system.out.println(s); } } }
读取的文章内容:
正则匹配结果(去掉多余字符):
字符串转换成arraylist:
最终处理结果:
其实从上面的结果可以看出。单纯的操控字符串并不能判断它是否是一个完整的词和句,应该还要配合数据库字典来匹配上面的结果,从而找出真正的词和句
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,同时也希望多多支持!
上一篇: 超酷炫的Android碎纸机效果推荐