java - 使用java应用提取信息

Question

我尝试在文本(文本文件)上应用字典(单词文件):

我们测试该单词是否存在于文本的一行中，如果是，我们将打印它(该行)。我们测试每一行文本的字典中的所有单词。

我使用了 EXPREG 模式+匹配器，但问题是时间。操作耗时5H。

第2个文件有3330ko和55ko。我的问题是有没有另一种方法可以像 UNITEX 一样但是在 java 中做到这一点

public class Tratemant_Dic extends Thread {

    Tratemant_Dic() {

    }

    public void run() {
        try {

            BufferedReader file_corpus = new BufferedReader(
                    new InputStreamReader(new FileInputStream(
                            "corpus-medical.TXT"), "UTF-16LE"));

            PrintWriter ecrire = new PrintWriter("sort.html");
            String line;
            String nom = null;

            ecrire.write("<mot><span style=\"color:red\">startsss</span></mot></br><ligne>start\n");
            while ((line = file_corpus.readLine()) != null) {

                BufferedReader file_nom = new BufferedReader(
                        new InputStreamReader(new FileInputStream(
                                "Fichie_sorte.DIC"), "UTF-16LE"));
                while ((nom = file_nom.readLine()) != null) {
                    nom = nom.substring(0, nom.length() - 3);
                    Pattern p = Pattern.compile("(.*)\\W+" + nom + "\\b.*",
                            Pattern.CASE_INSENSITIVE);
                    Matcher m = p.matcher(line);

                    if (m.find()) {

                        System.out.println(nom + "==>" + line);
                        ecrire.write("<mot><span style=\"color:red\">" + nom
                                + "</span></mot></br><ligne>" + line + "\n");

                    }

                }

                file_nom.close();

            }
            ecrire.close();
            System.out.println("FIN");
        } catch (FileNotFoundException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }

    }

}

Answer 1

如果我正确地理解你想要做什么，我就不会使用正则表达式来做到这一点。它们很慢，您不需要它们。

这确实是一个字符串匹配问题。您的字典可能应该存储在哈希表中，使用 hashCode() 方法获取字符串的键。然后，您可以在字典中搜索文本中阅读的每个单词(在阅读时计算适当的哈希码)。如果做得正确，应该尽可能快。

请记住，哈希码不保证是唯一的，因此即使在表中找到哈希码，也始终确保实际字符串匹配。