Java實(shí)現(xiàn)簡易的分詞器功能
業(yè)務(wù)需求：
生活中常見的搜索功能大概可分為以下幾類：
- 單關(guān)鍵詞。如“Notebook”
- 雙關(guān)鍵詞加空格。如“Super Notebook”
- 多關(guān)鍵詞加多空格。如“Intel Super Notebook”
當(dāng)然，還有四甚至五關(guān)鍵詞，這些搜索場景在生活中可以用罕見來形容，不在我們的討論范圍。我們今天就以上三種生活中最常見的搜索形式進(jìn)行探討分析。業(yè)務(wù)需求也很簡單，假設(shè)我們要完成一個搜索功能，業(yè)務(wù)層、持久層、控制層不在我們討論的范圍，僅討論分詞功能如何實(shí)現(xiàn)。
分析：
假設(shè)用戶鍵入的搜索內(nèi)容為以下內(nèi)容：
Intel Super Notebook
我們可以利用Java中String強(qiáng)大而豐富的方法來慢慢拼湊一個小算法來達(dá)到目的。String中大多數(shù)方法的參數(shù)和返回值都與下標(biāo)相關(guān)，那么，分析上述語句的下標(biāo)，我們可發(fā)現(xiàn)如下內(nèi)容：
上述內(nèi)容紅色是我們分詞的關(guān)鍵內(nèi)容。對于一個語句而言（不是語言學(xué)上通俗的語句，因為該句沒有主謂賓），重要的就是各單詞或詞組的首字母下標(biāo)與該單詞或詞組后面最近一個空格。我們發(fā)現(xiàn)，Intel這個單詞首字母下標(biāo)為0，距離該單詞后面最近的一個空格下標(biāo)為5；Super首字母下標(biāo)為距離該單詞前面最近的一個空格的下標(biāo)加1，也就是6；Notebook首字母下標(biāo)為距離該單詞前面最近的一個空格的下標(biāo)加1，也就是12；最后就是該語句的尾下標(biāo)，也就是19。
當(dāng)然，實(shí)際情況會有用戶多輸入了兩個甚至三個空格在某兩個單詞之間，例如如下形式：
Intel Super Notebook
（注意這里的空格為每個單詞之間為2個）
這個問題很容易解決，我們把兩個或三個空格替換為一個空格即可（為什么不是四個或者更多？因為現(xiàn)實(shí)情況是用戶不太可能在各個單詞之間連按多個空格），如下：
sentence = sentence.replace(" ", " ");
sentence = sentence.replace(" ", " ");
這樣以來語句中就只存在單個空格了。
經(jīng)過分析我們得知，若想對一個語句進(jìn)行分詞，就必須知道各個單詞的起始下標(biāo)才行。起始下標(biāo)可以由空格的下標(biāo)得知，那我們該如何得知空格的下標(biāo)？
很簡單，我們寫個方法，通過迭代語句的每個單詞，判斷其是否存在空格即可。方法如下：
private int firstPosition(){
int first = 0;
for(int i = 0; i < sentence.length(); i++){
if(String.valueOf(sentence.charAt(i)).equals(" ")){
first = i;
return first;
}
}
return first;
}
這個方法的作用是判斷一個語句中第一個空格的位置。既然有第一個了，肯定要有第二個了。要注意第一個內(nèi)容是從0開始進(jìn)行迭代，而第二個空格的判斷方法要從第一個空格的位置加1開始，否則迭代的剛好還是第一個空格的位置。內(nèi)容如下：
private int secondPosition(){
int second = 0;
for(int i = (firstPosition() + 1); i < sentence.length(); i++){
if(String.valueOf(sentence.charAt(i)).equals(" ")){
second = i;
return second;
}
}
return second;
}
第三個為什么不迭代？因為第三個單詞之后就沒有空格了，就到結(jié)尾了。
找出每個空格的下標(biāo)索引后，我們還需知道語句中含有多少個空格，是沒有，還是1個或2個（連續(xù)的重復(fù)空格在上文已經(jīng)被替換為單個空格了）。方法如下：
private int countBlank(String s){
// Store single blank signal.
int amount = 0;
// If s contains single blank signal, and it will increse amount's value of 1 every loop times.
for(int i = 0; i < s.length(); i++){
if(String.valueOf(sentence.charAt(i)).equals(" ")){
amount++;
}
}
return amount;
}
拿到了空格的總個數(shù)及每個空格的下標(biāo)，我們就可以寫個方法進(jìn)行分割了。由于我是采用了泛型集合作為數(shù)據(jù)源，這里的方法返回類型就為void。
我們先假設(shè)輸入的僅有以下內(nèi)容：
Intel
輸入的僅有一個詞組。我們先判斷其空格的個數(shù)，發(fā)現(xiàn)為0，那么也不用進(jìn)行什么操作了，直接添加其作為集合的數(shù)據(jù)。
public void divide(){
// Record every single blank signal's position.
int position1 = firstPosition();
int position2 = secondPosition();
if(sentence.contains(" ")){
} else{
words.add(sentence);
}
}
現(xiàn)在情況變?yōu)檩斎氲膬?nèi)容如下：
Intel Super
我們知道了這個語句共有一個空格，下標(biāo)為5，長度為11，那可以這樣判斷：是否包含空格，如果是，那就判斷其空格數(shù)是否大于等于0，如果為真，就添加到數(shù)據(jù)源。接著判斷其空格數(shù)是否大于等于1，如果真，進(jìn)入下一層判斷其空格數(shù)是否大于等于1其小于2，如果真，就添加到數(shù)據(jù)源。內(nèi)容如下：
public void divide(){
// Record every single blank signal's position.
int position1 = firstPosition();
int position2 = secondPosition();
if(sentence.contains(" ")){
int blankAmount = countBlank(sentence);
if (blankAmount >= 0) {
words.add(sentence.substring(0, position1));
if (blankAmount >= 1) {
if(blankAmount >= 1 && blankAmount < 2)));
words.add(sentence.substring(position1, sentence.length()));
} else {
}
}
}
} else{
words.add(sentence);
}
}
下面就是較為全面的情況了：
Intel Super Notebook
我們判斷完兩個情況就看第三個情況。第三個單詞其獲取是通過第二個空格下標(biāo)與語句長度得來。但第二個單詞就要改為第一個空格下標(biāo)加1與第二個空格下標(biāo)加1了。那么至此分割方法也就完成了：
public String divide(){
// Record every single blank signal's position.
int position1 = firstPosition();
int position2 = secondPosition();
if(sentence.contains(" ")){
int blankAmount = countBlank(sentence);
if (blankAmount >= 0) {
words.add(sentence.substring(0, position1));
if (blankAmount >= 1) {
if(blankAmount >= 1 && blankAmount < 2){
words.add(sentence.substring(position1, sentence.length()));
} else {
words.add(sentence.substring(position1, position2));
if (blankAmount >= 2) {
words.add(sentence.substring(position2, sentence.length()));
}
}
}
}
} else{
words.add(sentence);
}
}
測試：
Intel Super Notebook
SIZE:3
POSITION(0): Intel
POSITION(1): Super
POSITION(2): Notebook
Intel Super Notebook
(注這里有重復(fù)且連續(xù)的空格)
SIZE:3
POSITION(0): Intel
POSITION(1): Super
POSITION(2): Notebook
英特爾 超級 筆記本
SIZE:3
POSITION(0): 英特爾
POSITION(1): 超級
POSITION(2): 筆記本
華為
SIZE:1
POSITION(0): 華為
完整代碼：
class DivideWord{
private String sentence;
private List<String> words = new ArrayList<String>();
public DivideWord(String sentence) {
// Replace two or three blank signal that connected into single blank signal.
sentence = sentence.replace(" ", " ");
sentence = sentence.replace(" ", " ");
this.sentence = sentence;
}
private int countBlank(String s){
// Store single blank signal.
int amount = 0;
// If s contains single blank signal, and it will increse amount's value of 1 every loop times.
for(int i = 0; i < s.length(); i++){
if(String.valueOf(sentence.charAt(i)).equals(" ")){
amount++;
}
}
return amount;
}
private int firstPosition(){
int first = 0;
for(int i = 0; i < sentence.length(); i++){
if(String.valueOf(sentence.charAt(i)).equals(" ")){
first = i;
return first;
}
}
return first;
}
private int secondPosition(){
int second = 0;
for(int i = (firstPosition() + 1); i < sentence.length(); i++){
if(String.valueOf(sentence.charAt(i)).equals(" ")){
second = i;
return second;
}
}
return second;
}
public String divide(){
// Record every single blank signal's position.
int position1 = firstPosition();
int position2 = secondPosition();
if(sentence.contains(" ")){
int blankAmount = countBlank(sentence);
if (blankAmount >= 0) {
words.add(sentence.substring(0, position1));
if (blankAmount >= 1) {
if(blankAmount >= 1 && blankAmount < 2){
words.add(sentence.substring(position1, sentence.length()));
} else {
words.add(sentence.substring(position1, position2));
if (blankAmount >= 2) {
words.add(sentence.substring(position2, sentence.length()));
}
}
}
}
} else{
words.add(sentence);
}
}
public int getSize(){
return words.size();
}
public String getWord(int position){
return words.get(position);
}
}
public class DateGet {
public static void main(String[] args){
DivideWord divideWord = new DivideWord("英特爾");
divideWord.divide();
System.out.println("SIZE:" + divideWord.getSize());
System.out.println("POSITION :" + divideWord.getWord(0));
}
}
到此這篇關(guān)于Java實(shí)現(xiàn)簡易的分詞器功能的文章就介紹到這了,更多相關(guān)Java分詞器功能內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Java中使用RediSearch實(shí)現(xiàn)高效的數(shù)據(jù)檢索功能
RediSearch是一款構(gòu)建在Redis上的搜索引擎,它為Redis數(shù)據(jù)庫提供了全文搜索、排序、過濾和聚合等高級查詢功能,本文將介紹如何在Java應(yīng)用中集成并使用RediSearch,以實(shí)現(xiàn)高效的數(shù)據(jù)檢索功能,感興趣的朋友跟著小編一起來看看吧2024-05-05
Springboot項目通過redis實(shí)現(xiàn)接口的冪等性
這篇文章主要為大家介紹了Springboot項目通過redis實(shí)現(xiàn)接口的冪等性,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-12-12
這篇文章主要介紹了Java實(shí)現(xiàn)的最大匹配分詞算法,簡單說明了最大匹配分詞算法的原理并結(jié)合具體實(shí)例形式最大匹配分詞算法的實(shí)現(xiàn)方法與相關(guān)注意事項,需要的朋友可以參考下2017-09-09
Java中Array、List、Map相互轉(zhuǎn)換的方法詳解
這篇文章主要介紹了Java中Array、List、Map相互轉(zhuǎn)換的方法詳解,在實(shí)際項目開發(fā)中或者一些算法面試題目中經(jīng)常需要用到Java中這三種類型的相互轉(zhuǎn)換,比如對于一個整型數(shù)組中尋找一個整數(shù)與所給的一個整數(shù)值相同,需要的朋友可以參考下2023-08-08
JAVA加密算法數(shù)字簽名實(shí)現(xiàn)原理詳解
這篇文章主要介紹了JAVA加密算法數(shù)字簽名實(shí)現(xiàn)原理詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-10-10
在idea中加入git版本控制，方便團(tuán)隊中多人協(xié)同開發(fā)，項目可以同時方便進(jìn)行管理和迭代。下面就是idea中加入git 的方法和步驟，感興趣的朋友一起看看吧2021-09-09
由于項目需求,需要將nacos 1.4.6版本升級到2.x版本,由此引發(fā)的springboot、springcloud、springcloud Alibaba一系列版本變更,本文給大家總結(jié)一下SpringBoot版本升級容易遇到的一些問題,需要的朋友可以參考下2023-12-12
java objectUtils 使用可能會出現(xiàn)的問題
這篇文章主要介紹了java objectUtils 使用可能會出現(xiàn)的問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-02-02
這篇文章主要介紹了Java文檔注釋用法+JavaDoc的使用說明，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-07-07
這篇文章主要介紹了Java如何實(shí)現(xiàn)定時任務(wù)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-07-07