Java实现读取文章中重复出现的中文字符串

程序员文章站 2024-03-31 17:32:10

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：

Java实现读取文章中重复出现的中文字符串