Java正则统计HashMap词频与键关联

哈喽！大家好，很高兴又见面了，我是golang学习网的一名作者，今天由我给大家带来一篇《Java正则统计HashMap单词频率及关联键记录》，本文主要会讲到等等知识点，希望大家一起学习进步，也欢迎大家关注、点赞、收藏、转发! 下面就一起来看看吧！

问题阐述

在Java开发中，我们有时会遇到这样的场景：有一个HashMap，其中键是整数标识，值是包含文本的字符串（例如句子）。我们的目标是统计某个特定单词（例如"car"）在每个字符串值中出现的频率。更进一步的要求是，如果某个键对应的字符串中目标单词出现了N次，那么这个键就应该在结果列表中被记录N次。

例如，如果键5对应的字符串是"car car car car"，那么在最终结果列表中，5应该出现4次。

初始的尝试可能如下所示，它使用String.contains()方法来检查单词是否存在：

import java.util.ArrayList;
import java.util.HashMap;
import java.util.Map;

public class WordCounterInitial {
    public static void main(String[] args) {
        Map carHashMap = new HashMap<>();
        ArrayList showCarsInMap = new ArrayList<>();

        carHashMap.put(1, "this car is very fast car");
        carHashMap.put(2, "i have a old car");
        carHashMap.put(3, "my first car was an mercedes and my second car was an audi");
        carHashMap.put(4, "today is a good day");
        carHashMap.put(5, "car car car car");

        for (Map.Entry entrySection : carHashMap.entrySet()) {
            if (entrySection.getValue().contains("car")) {
                showCarsInMap.add(entrySection.getKey());
            }
        }
        System.out.println("Car : " + showCarsInMap);
        // 实际输出: Car : [1, 2, 3, 5]
        // 期望输出: Car : [1, 1, 2, 3, 3, 5, 5, 5, 5]
    }
}

上述代码的局限性在于contains()方法只能判断字符串是否包含某个子串，而无法统计其出现的次数。因此，无论"car"在一个字符串中出现一次还是多次，对应的键都只会被添加一次，这不符合我们的需求。

解决方案：利用正则表达式

为了精确统计单词的出现次数，并处理单词边界（例如"cars"中的"car"不应被计入），我们可以利用Java的java.util.regex包，它提供了强大的正则表达式匹配功能。

核心思路是：

1. 定义一个正则表达式模式，该模式能精确匹配整个目标单词。
2. 对HashMap中的每个字符串值，创建一个Matcher对象。
3. 使用Matcher.find()方法循环查找所有匹配项，每找到一个匹配项，就将当前键添加到结果列表中。

核心代码片段

import java.util.ArrayList;
import java.util.HashMap;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class WordCounterRegex {
    public static void main(String[] args) {
        Map carHashMap = new HashMap<>();
        ArrayList showCarsInMap = new ArrayList<>();

        carHashMap.put(1, "this car is very fast car");
        carHashMap.put(2, "i have a old car");
        carHashMap.put(3, "my first car was an mercedes and my second car was an audi");
        carHashMap.put(4, "today is a good day");
        carHashMap.put(5, "car car car car");

        // 遍历HashMap的每一个条目
        for (Map.Entry entrySection : carHashMap.entrySet()) {
            // 定义正则表达式模式，用于精确匹配整个单词"car"
            // (?:^|\\W) 匹配字符串开头或非单词字符（如空格、标点符号）
            // car 匹配目标单词
            // (?:$|\\W) 匹配字符串结尾或非单词字符
            Pattern p = Pattern.compile("(?:^|\\W)car(?:$|\\W)"); 
            Matcher m = p.matcher(entrySection.getValue());

            // 循环查找所有匹配项
            while (m.find()) {
                // 每找到一个匹配，就将当前键添加到列表中
                showCarsInMap.add(entrySection.getKey());
            }
        }
        System.out.println("Car : " + showCarsInMap);
        // 预期输出: Car : [1, 1, 2, 3, 3, 5, 5, 5, 5]
    }
}

正则表达式解析

Pattern.compile("(?:^|\\W)car(?:$|\\W)") 是实现精确匹配的关键：

• car: 这是我们要查找的目标单词。
• (?:...): 这是一个非捕获组。它将括号内的模式作为一个整体进行匹配，但不会将匹配到的内容存储起来供后续引用，从而提高效率。
• ^: 匹配字符串的开头。
• $: 匹配字符串的结尾。
• \\W: 匹配任何非单词字符。单词字符包括字母、数字和下划线 ([a-zA-Z0-9_])。因此，\\W 会匹配空格、标点符号等。
• |: 逻辑或操作符，表示匹配|左边或右边的任何一个模式。

结合起来：

• (?:^|\\W)：表示单词"car"的前面必须是字符串的开头或者一个非单词字符。这确保了我们不会匹配到像"cars"、"racingcar"等单词中的"car"部分。
• (?:$|\\W)：表示单词"car"的后面必须是字符串的结尾或者一个非单词字符。这同样确保了只匹配独立的"car"单词。

通过这种方式，我们可以确保只有完整的、独立的"car"单词才会被计数。

注意事项与扩展

1. 大小写不敏感匹配: 如果需要进行大小写不敏感的匹配，可以在编译Pattern时添加Pattern.CASE_INSENSITIVE标志：

   Pattern p = Pattern.compile("(?:^|\\W)car(?:$|\\W)", Pattern.CASE_INSENSITIVE);

   这样，"Car"、"car"、"CAR"等都会被匹配。

2. 匹配多个单词: 如果需要统计多个目标单词，可以修改正则表达式，或者对每个目标单词重复上述逻辑。例如，要匹配"car"或"truck"，可以使用：

   Pattern p = Pattern.compile("(?:^|\\W)(car|truck)(?:$|\\W)", Pattern.CASE_INSENSITIVE);

3. 性能考量: 对于非常大的数据集和极长的字符串，正则表达式的性能可能需要关注。然而，对于大多数常见用例，java.util.regex提供了非常高效的实现。如果性能成为瓶颈，可以考虑更底层的字符串解析方法，但这通常会增加代码的复杂性。

4. \b 单词边界: 另一种更简洁的表示单词边界的正则表达式是\b。\b代表单词边界，即一个单词字符与一个非单词字符之间的位置，或者字符串的开头/结尾。因此，\bcar\b通常也能达到相同的效果，并且更易读。

   Pattern p = Pattern.compile("\\bcar\\b");
   // 或者大小写不敏感：
   // Pattern p = Pattern.compile("\\bcar\\b", Pattern.CASE_INSENSITIVE);

   在大多数情况下，\b 是更推荐的单词边界匹配方式。然而，本教程沿用了问题答案中提供的(?:\W|^)word(?:\W|$)形式，因为它在某些特定边缘情况下可能提供更精细的控制（尽管对于简单的单词匹配，\b通常足够）。

总结

通过利用java.util.regex包中的Pattern和Matcher类，我们可以高效且准确地统计HashMap中字符串值内特定单词的出现频率，并根据需求重复记录关联的键。正则表达式提供了强大的模式匹配能力，是处理此类文本分析任务的理想工具。理解并灵活运用正则表达式，将极大地提升Java程序处理字符串的效率和精确度。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~