Java计算字符串中单词出现的次数

Question

我有一个大的文本文件正在读取，因此我需要找出几个单词出现的次数。例如，单词the。我正在逐行执行此操作，每一行都是一个字符串。

我要确保我只算合法the的-在the中other起不到作用。这意味着我知道我需要以某种方式使用正则表达式。到目前为止，我正在尝试的是：

numSpace += line.split("[^a-z]the[^a-z]").length;

我意识到正则表达式目前可能不正确，但我尝试过不这样做，而只是尝试查找单词的出现，the并且我也得到了错误的数字。我给人的印象是，它将字符串分割成一个数组，并且该数组被分割了多少次，就是单词在字符串中的次数。任何想法，我将不胜感激。

更新：给出一些想法，我想出了这个：

numThe += line.split("[^a-zA-Z][Tt]he[^a-zA-Z]", -1).length - 1;

虽然仍然得到一些奇怪的数字。我能够获得准确的常规计数（没有正则表达式），现在我的问题是正则表达式。

Answer 1

使用split计数不是最有效的方法，但是如果您坚持要这样做，那么正确的方法是：

haystack.split(needle, -1).length -1

如果您未将设置limit为-1，则split默认为0，这将删除结尾的空字符串，这会弄乱您的计数。

从API中：

limit参数控制应用图案的次数，因此会影响所得数组的长度。[…]如果n为零，则将丢弃尾随的空字符串。

您还需要从length数组的中减去1 ，因为N出现定界符会将字符串分成多个N+1部分。

至于正则表达式本身（即needle），您可以\b在周围使用单词boundary anchors
word。如果允许word包含元字符（例如，计数"$US"），则可能需要Pattern.quote。

我想出了这个：

numThe += line.split("[^a-zA-Z][Tt]he[^a-zA-Z]", -1).length - 1;

虽然仍然得到一些奇怪的数字。我能够获得准确的常规计数（没有正则表达式），现在我的问题是正则表达式。

现在的问题是，您没有计算[Tt]he出现在第一个或最后一个单词上的内容，因为正则表达式说它必须在某个字符之前/之后跟一些匹配的字符[^a-zA-Z]（也就是说，您的匹配长度必须为5！
）。您不允许根本 没有 字符的情况！

您可以改用以下方法：

"(^|[^a-zA-Z])[Tt]he([^a-zA-Z]|$)"

这不是最简洁的解决方案，但可以。

这样的事情（使用否定的环顾四周）也可以：

"(?<![a-zA-Z])[Tt]he(?![^a-zA-Z])"

这样的好处是可以匹配 just
[Tt]he，而无需像以前的解决方案那样在其周围包含任何额外的字符。如果您实际上要处理所返回的令牌split，则这是相关的，因为在这种情况下，定界符不会“窃取”令牌中的任何内容。

非-split

尽管使用splitcount相当方便，但这并不是最有效的方法（例如，它正在做各种工作来返回您丢弃的那些字符串）。正如您所说，您是逐行计数的，这意味着该模式还必须重新编译并扔掉每一行。

一个更有效的方法是使用你之前做了同样的正则表达式和做平常Pattern.compile和while (matcher.find()) count++;