Java实现读取文章中重复出现的中文字符串的示例代码分析
程序员文章站
2022-04-15 20:37:59
...
本文主要介绍了Java实现读取文章中重复出现的中文字符串的方法。具有很好的参考价值。下面跟着小编一起来看下吧
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Java实现读取文章中重复出现的中文字符串的示例代码分析的详细内容,更多请关注其它相关文章!
上一篇: php实战正则表达式(一):验证手机号
下一篇: php技术都有哪些