Java词频统计算法（使用单词树）

许多英语培训机构（如新东方）都会出几本“高频词汇”的书，主要内容是统计近几年来各类外语考试中屡次出现的高频词汇，帮助考生减少需要背的生词的数量。但这些高频是如何被统计出来的呢？显然不会用手工去计算。

假如我们已经将一篇文章存在一字符串(String)对象中，为了统计词汇出现频率，最简单直接的做法是另外建一个Map：key是单词，value是 次数。将文章从头读到尾，读到一个单词就到Map里查一下，如果查到了则次数加一，没查到则往Map里一扔。

/**
* Java中提供一个非常棒的HashMap函数，只需要一步就可以统计单词的频率
*/

import java.util.HashMap;

public class WordMap {

public static void main(String[] args) {
String input = "a1,b2,3c,d4d,a1,b2,a1";
String[] ws = input.split(",");
// 做的单词分割，
// 如果你要空格分割 String[] ws = input.split(" ");
HashMap<String, Integer> hm = new HashMap<String, Integer>();
// 初始化HashMap
for (String s : ws) {
if (s.matches("[a-zA-Z]\\w+"))
// 这里是一个正则表达式，
// 判断的是第一个必须是字母，
// 后面的是一个字母或多个字母，
// 一个数字或多个数字
{
Integer cou = hm.get(s);
// get()方法将产生一个与键相关联的Integer值，
// 然后这个值被递增，为的是记录标识符的个数
hm.put(s, cou == null ? 1 : cou + 1);
// 保存到HashMap中以单词做key,判断单词是否为空，空为1，或则加1
}
}
System.out.println(hm);
// 打印HashMap
}
}

这样做虽然代码写起来简单，但性能却非常差。首先查询Map的代价是O(logn)，假设文章的字母数为m，则整个统计程序的时间复杂度为O(mlogn)不说，如果要拿高频词可能还需要对统计结果进行排序。即便对结构上进行优化性能仍然不高。如果能够将时间复杂度从O(mlogn)减少到O(m)的话不是更好？

为了改进算法我们首先引进单词树。与单词前缀树不同，单词树的结构相当简单，结构如图所示：



从图中我们可以看出，树中每个结点保存属性值cnt与指向其26个子结点的指针（每一条路径代表一个英文字母），其中cnt为到达该结点经过路
径所对应的英文单词在文章中出现的次数。也就是说，我们开始读文章时让一个指针指向单词数的根结点，之后每读一个字母就让该指针指向当前结点对应路径上的子结点（若子结点为空则新建一个），一个单词读完后让当前结点的cnt值加一，并让指针重新指向根结点。而当一篇文章读完之后我们的单词树也就已经建立完
毕了。之后只要去遍历它并把取到的单词根据次数进行排序就行了（时间复杂度为O(nlogn)）。

　　程序代码如下，

首先是存放单词及出现次数的JavaBean

public class WordCount {
private String word;

private int count;
public int getCount() {
return count;
}
public void setCount(int count) {
this.count = count;
}
public String getWord() {
return word;
}
public void setWord(String word) {
this.word = word;
}
}

其次是实现词频表生成算法的类：

public class WordCountService {

/**
* 根据文章生成单词树
* @param text
* @return
*/
private static CharTreeNode geneCharTree(String text){
CharTreeNode root = new CharTreeNode();
CharTreeNode p = root;
char c = ' ';
for(int i = 0; i < text.length(); ++i){
c = text.charAt(i);
if(c >= 'A' && c <= 'Z')
c = (char)(c + 'a' - 'A');
if(c >= 'a' && c <= 'z'){
if(p.children[c-'a'] == null)
p.children[c-'a'] = new CharTreeNode();
p = p.children[c-'a'];
}
else{
p.cnt ++;
p = root;
}
}
if(c >= 'a' && c <= 'z')
p.cnt ++;
return root;
}

/**
* 使用深度优先搜索遍历单词树并将对应单词放入结果集中
* @param result
* @param p
* @param buffer
* @param length
*/
private static void getWordCountFromCharTree(List result,CharTreeNode p, char[] buffer, int length){
for(int i = 0; i < 26; ++i){
if(p.children[i] != null){
buffer[length] = (char)(i + 'a');
if(p.children[i].cnt > 0){
WordCount wc = new WordCount();
wc.setCount(p.children[i].cnt);
wc.setWord(String.valueOf(buffer, 0, length+1));
result.add(wc);
}
getWordCountFromCharTree(result,p.children[i],buffer,length+1);
}
}
}

private static void getWordCountFromCharTree(List result,CharTreeNode p){
getWordCountFromCharTree(result,p,new char[100],0);
}

/**
* 得到词频表的主算法,供外部调用
* @param article
* @return
*/
public static List getWordCount(String article){
CharTreeNode root = geneCharTree(article);
List result = new ArrayList();//此处也可用LinkedList链表,以避免数组满了扩容导致的性能损失
getWordCountFromCharTree(result,root);
Collections.sort(result, new Comparator(){
public int compare(Object o1, Object o2) {
WordCount wc1 = (WordCount)o1;
WordCount wc2 = (WordCount)o2;
return wc2.getCount() - wc1.getCount();
}
});
return result;
}
}
/**
* 单词树结点的定义
* @author FlameLiu
*
*/
class CharTreeNode{
int cnt = 0;
CharTreeNode[] children = new CharTreeNode[26];
}