Java实现读取文章中重复出现的中文字符串

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。