昨日有个中文词频统计的需求, 百度一番后, 发现一大堆标题党文章, 讲的与内容严重不符, 这里就简单记录下自己实现的流程吧!

与英文单词的词频统计不同, 中文的难点在于如何分词, 不过好在有许多优秀的现成库供调用,这里就使用了 ansj_seg 插件.

首先添加依赖:

下载jar

访问  最好下载最新版 ansj_seg/

同时下载 需要和ansj_seg 配套..配套关系可以看jar包中的maven依赖,一般最新的ansj配最新的nlp-lang不会有错。

导入到eclipse ，开始你的程序吧

maven

org.ansj

ansj_seg

5.1.1

基本用法为:

string str = "欢迎使用ansj_seg,(ansj中文分词)在这里如果你遇到什么问题都可以联系我.我一定尽我所能.帮助大家.ansj_seg更快,更准,更自由!" ;

system.out.println(toanalysis.parse(str));

欢迎/v,使用/v,ansj/en,_,seg/en,,,(,ansj/en,中文/nz,分词/n,),在/p,这里/r,如果/c,你/r,遇到/v,什么/r,问题/n,都/d,可以/v,联系/v,我/r,./m,我/r,一定/d,尽我所能/l,./m,帮助/v,大家/r,./m,ansj/en,_,seg/en,更快/d,,,更/d,准/a,,,更/d,自由/a,!

下面就贴上代码:

public static void wordfrequency() throws ioexception {

map map = new hashmap<>();

string article = getstring();

string result = toanalysis.parse(article).tostringwithoutnature();

string[] words = result.split(",");

for(string word: words){

string str = word.trim();

// 过滤空白字符

if (str.equals(""))

continue;

// 过滤一些高频率的符号

else if(str.matches("[)|(|.|，|。|+|-|“|”|：|？|\\s]"))

continue;

// 此处过滤长度为1的str

else if (str.length() < 2)

continue;

if (!map.containskey(word)){

map.put(word, 1);

} else {

int n = map.get(word);

map.put(word, ++n);

}

}

iterator> iterator = map.entryset().iterator();

while (iterator.hasnext()){

map.entry entry = iterator.next();

system.out.println(entry.getkey() + ": " + entry.getvalue());

}

list> list = new arraylist<>();

map.entry entry;

while ((entry = getmax(map)) != null){

list.add(entry);

}

system.out.println(arrays.tostring(list.toarray()));

}

/**

* 找出map中value最大的entry, 返回此entry, 并在map删除此entry

* @param map

* @return

*/

public static map.entry getmax(map map){

if (map.size() == 0){

return null;

}

map.entry maxentry = null;

boolean flag = false;

iterator> iterator = map.entryset().iterator();

while (iterator.hasnext()){

map.entry entry = iterator.next();

if (!flag){

maxentry = entry;

flag = true;

}

if (entry.getvalue() > maxentry.getvalue()){

maxentry = entry;

}

}

map.remove(maxentry.getkey());

return maxentry;

}

/**

* 从文件中读取待分割的文章素材.

* 文件内容来自简书热门文章: https://www.jianshu.com/p/5b37403f6ba6

* @return

* @throws ioexception

*/

public static string getstring() throws ioexception {

fileinputstream inputstream = new fileinputstream(new file("/home/as_/ideaprojects/springmaven/article-txt"));

bufferedreader reader = new bufferedreader(new inputstreamreader(inputstream));

stringbuilder strbuilder = new stringbuilder();

string line;

while((line = reader.readline()) != null){

strbuilder.append(line);

}

reader.close();

inputstream.close();

return strbuilder.tostring();

}

最后依旧附上图片:

如您对本文有疑问或者有任何想说的，请点击进行留言回复，万千网友为您解惑！