Java 结合中文分词库 jieba 统计一堆文本中各个词语的出现次数【代码记录】

╰+哭是因爲堅強的太久メ 2023-10-12 19:04 17阅读 0赞

#### 文章目录 ####

*   *  1、需求
     *  2、代码
     *  3、结果

### 1、需求 ###

![在这里插入图片描述][6a5f8bce944447d78e6f24c2ff328959.png]

### 2、代码 ###

package com.zibo.main;
    
    import com.huaban.analysis.jieba.JiebaSegmenter;
    
    import java.io.BufferedReader;
    import java.io.FileReader;
    import java.io.IOException;
    import java.util.HashMap;
    import java.util.List;
    import java.util.Map;
    
    public class WordCount {
        
    
        public static void main(String[] args) {
        
            String file = "C:\\Users\\Administrator\\Desktop\\video_film_no_spaces.txt";
    
            try (BufferedReader reader = new BufferedReader(new FileReader(file))) {
        
                // 读取文本
                StringBuilder content = new StringBuilder();
                String line;
                while ((line = reader.readLine()) != null) {
        
                    content.append(line);
                }
                String text = content.toString();
                // 创建一个HashMap用于存储词语和出现次数
                Map<String, Integer> wordCounts = new HashMap<>();
    
                // 使用"jieba"分词库进行中文分词
                JiebaSegmenter segmenter = new JiebaSegmenter();
                List<String> words = segmenter.sentenceProcess(text);
    
                // 遍历每个词语并统计出现次数
                for (String word : words) {
        
                    // 如果词语已经在HashMap中，则将其计数加1
                    if (wordCounts.containsKey(word)) {
        
                        int count = wordCounts.get(word);
                        wordCounts.put(word, count + 1);
                    }
                    // 如果词语不在HashMap中，则将其添加到HashMap并设置计数为1
                    else {
        
                        wordCounts.put(word, 1);
                    }
                }
    
                // 输出每个词语及其出现次数
                for (Map.Entry<String, Integer> entry : wordCounts.entrySet()) {
        
                    String word = entry.getKey();
                    // 如果文字长度小于 2 ，跳过
                    if (word.length() < 2) {
        
                        continue;
                    }
                    // 如果文字不是中文，跳过
                    if (!word.matches("[\\u4e00-\\u9fa5]+")) {
        
                        continue;
                    }
                    int count = entry.getValue();
                    System.out.println(word + " 出现了 " + count + " 次");
                }
            } catch (IOException e) {
        
                e.printStackTrace();
            }
        }
    }

### 3、结果 ###

D:\MySoft\Environment\Java\jdk-17.0.5\bin\java.exe "-javaagent:D:\MySoft\JetBrains\IntelliJ IDEA 2022.3.1\lib\idea_rt.jar=54655:D:\MySoft\JetBrains\IntelliJ IDEA 2022.3.1\bin" -Dfile.encoding=UTF-8 -classpath 
    ......
    com.zibo.main.WordCount
    main dict load finished, time elapsed 603 ms
    model load finished, time elapsed 29 ms.
    惊栗 出现了 2 次
    经典 出现了 9 次
    剧情片 出现了 1 次
    音乐喜剧 出现了 32 次
    儿童 出现了 23 次
    灾难 出现了 39 次
    同性 出现了 23 次
    犯罪 出现了 963 次
    喜剧片 出现了 1 次
    动画 出现了 81 次
    传记 出现了 57 次
    惊悚 出现了 804 次
    冒险 出现了 548 次
    奇幻 出现了 490 次
    爱情喜剧 出现了 370 次
    枪战 出现了 1 次
    历史 出现了 120 次
    伦理 出现了 18 次
    其他 出现了 1 次
    音乐 出现了 30 次
    剧情 出现了 1725 次
    爱情 出现了 502 次
    家庭 出现了 205 次
    动作 出现了 3004 次
    喜剧 出现了 2807 次
    情色 出现了 4 次
    性喜剧 出现了 28 次
    脱口秀 出现了 9 次
    科幻 出现了 347 次
    运动 出现了 74 次
    恐怖 出现了 291 次
    戏曲 出现了 2 次
    黑色 出现了 1 次
    电影 出现了 1 次
    西部 出现了 53 次
    悬疑剧 出现了 33 次
    纪录片 出现了 8 次
    歌舞 出现了 38 次
    文艺 出现了 6 次
    纪录 出现了 2 次
    悬疑 出现了 252 次
    古装 出现了 208 次
    古装剧 出现了 92 次
    短片 出现了 9 次
    歌舞剧 出现了 7 次
    武侠 出现了 194 次
    战争 出现了 212 次
    鬼怪 出现了 1 次
    
    Process finished with exit code 0

[6a5f8bce944447d78e6f24c2ff328959.png]: https://img-blog.csdnimg.cn/6a5f8bce944447d78e6f24c2ff328959.png