- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在尝试使用我的停用词列表中的内容删除 txt 文件中的停用词。有些停用词已被删除,有些则没有。
例如这句话:“味道很好,不是吗?”应该有一个类似“味道不错”的输出,但我的代码输出:“味道不错不是吗”
我的停用词列表来自:https://www.ranks.nl/stopwords (长停用词列表)。
这是我的代码:
public static void main(String[] args) {
ArrayList sw = new ArrayList<>();
try{
FileInputStream fis = new FileInputStream("/Users/Dan/Desktop/DATA/stopwords.txt");
byte b[] = new byte[fis.available()];
fis.read(b);
fis.close();
String data[] = new String(b).split("\n");
for(int i = 0; i < data.length; i++)
{
sw.add(data[i].trim());
}
FileInputStream fis2 = new FileInputStream("/Users/Dan/Desktop/DATA/cleandata.txt");
byte bb[] = new byte[fis2.available()];
fis2.read(bb);
fis2.close();
String data2[] = new String(bb).split("\n");
for(int i = 0; i < data2.length; i++)
{
String file = "";
String s[] = data2[i].split("\\s");
for(int j = 0; j < s.length; j++)
{
if(!(sw.contains(s[j].trim().toLowerCase())))
{
file=file + s[j] + " ";
}
}
file = file.replaceAll("[^a-zA-Z\\s+]", "");
System.out.println(file.replaceAll("\\s+", " ").toLowerCase() + "\n");
}
} catch(Exception a){
a.printStackTrace();
}
}
我该怎么办?我认为打印时遇到问题
file = file.replaceAll("[^a-zA-Z\\s+]", "");
System.out.println(file.replaceAll("\\s+", " ").toLowerCase() + "\n");
最佳答案
使用了两种不同的引号字符。停用词文件包含 doesn't
并且您的输入包含 doesn't
。
由于引号不同,所以单词不匹配。
编辑:这是一个稍微重构的解决方案,它会生成正确的输出(如果您不在输入中使用奇怪的引号)。
import java.util.Arrays;
import java.util.HashSet;
import java.util.Scanner;
import java.util.Set;
import java.util.stream.Collectors;
public class StopWordsApp {
// the platform-specific end of line token
private static final String EOL = String.format("%n");
private final Set<String> stopWords = new HashSet<>(Arrays.asList(readLines("stopwords.txt")));
public static void main(String[] args) {
StopWordsApp stopWordsApp = new StopWordsApp();
String[] lines = readLines("cleandata.txt");
printLines(stopWordsApp.removeStopWords(lines));
}
private String[] removeStopWords(String[] inputLines) {
return Arrays.stream(inputLines)
// map the String array to a Line object
.map(Line::new)
// map the Line to a String without stop words
.map(this::removeStopWords)
// convert the stream to an array
.toArray(String[]::new);
}
private String removeStopWords(Line line) {
return line.words().stream()
// map the word to its normalized version
.map(Word::normalized)
// remove stop words
.filter(n -> !stopWords.contains(n))
// join into a String separated by spaces
.collect(Collectors.joining(" "));
}
private static String[] readLines(String fileName) {
return readFile(fileName).split(EOL);
}
private static String readFile(String fileName) {
return new Scanner(StopWordsApp.class.getResourceAsStream(fileName), "UTF-8").useDelimiter("\\A").next();
}
private static void printLines(String[] lines) {
for (String line : lines) {
System.out.println(line);
}
}
}
我为一条线提取了单独的类:
import java.util.Arrays;
import java.util.List;
import java.util.stream.Collectors;
public class Line {
private final List<Word> words;
public Line(String input) {
String[] wordInputs = input.split("\\s+");
words = Arrays.stream(wordInputs)
// remove empty Strings
.filter(v -> !v.isEmpty())
// map String to a Word object
.map(Word::new)
// collect into a List
.collect(Collectors.toList());
}
public List<Word> words() {
return words;
}
}
..一句话:
public class Word {
private final String normalized;
public Word(String input) {
normalized = input
// convert to lower case
.toLowerCase()
// remove everything that's not a lower case letter or a quote
// (the stopwords file only contains lower case letters and quotes)
.replaceAll("[^a-z']", "")
// replace consecutive white space with a single space
.replaceAll("\\s+", " ")
// trim any white space at the edges
.trim();
}
public String normalized() {
return normalized;
}
}
...以及自定义(运行时)异常:
public class StopWordsException extends RuntimeException {
public StopWordsException(Exception e) {
super(e);
}
}
我到处都使用了 Java 8 流,并添加了注释来解释发生了什么。
输入:
味道不错,不是吗?
输出为:
味道不错
附注文件“stopwords.txt”和“cleandata.txt”需要与 StopWordsApp 类位于同一包中。
关于java - 如何删除非单词边界的停用词?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54177634/
我有以下数据框 (df_hvl),列名“FzListe”和以下数据: FzListe 7MA1, 7OS1 7MA1, 7ZJB 7MA2, 7MA3, 7OS1 76G1, 7MA1, 7OS1 7
我有点小问题。仅当尝试写入的相同字符串/单词不存在时,我才想写入文件。在我的例子中,它是一个 IP 地址和端口,用“:”分隔。如果我手动写入文件,例如 193...:80 和 193...:22,它指
如何返回结果列中的单词示例? 我得到的最接近的是 [\W]{2,}[^,\W].+[?=,] ID 文本 我的结果(完全匹配) 预期(完全匹配) 1 词A,世界B,词C , 世界 B, 字B 2 wo
我想在引号之间得到一个字符串 我知道一个解决方案是: /'.*?'/ 但问题是它不适用于英语中的所有格或收缩格 例如: What is the name of Mario's brother in t
我应该在句子中找到出现最多的单词。 这是我尝试过的,但不起作用。 '); $max = -1; $resultWords = array(); $resultCount = array(); $i =
我是vim的新手。我正在尝试练习(最近阅读了一些教程),但是我发现我不能不突出显示“复制粘贴”中的字符/单词/行。 在Textmate中,我通常使用SHIFT + CTRL + LeftArrowKe
有谁知道一个JSON格式的英语词典,该词典具有(单词,定义和单词类型,例如名词/形容词/动词/副词) 这种格式: [ {"Word" : "Chair", "Definition" : "A
我正在做一些 javascript,同时我注意到我无法替换 html 标记内的“ document.getElementById('label').innerHTML = document.get
您好,我正在使用 groovy 2.1.5,我必须编写一个代码来显示具有给定路径的目录的内容/文件,然后它会备份文件并替换文件中的单词/字符串。 这是我用来尝试替换所选文件中的单词的代码 String
我正在准备一个实验,我想使用python编写程序以识别参与者说出的某些单词。 我在python中搜索了很多有关语音识别的内容,但结果却很复杂(例如CMUSphinx)。 我要实现的是一个程序,该程序接
假设我有以下代码: $size = 23.9 $size = "$size GB" write $size 我想在其他事情上使用相同的变量,即 if ($size -lt 20) {...} 这显然是
我想替换字符串中单词 Date 的所有情况,除非它是 Date()(即 Date 后跟括号)。这是一个字符串示例以及我最初尝试的内容: x gsub("Date", paste("Date:", S
我对 Java 和编程都很陌生,请记住这一点,请不要对我严厉 ^^。接下来,我最近用 Java 进行了一些培训,我喜欢这个挑战,但现在我只是陷入困境。我做了一些示例来查找用户输入的最大字符串,一切都很
我必须给一个数字x,并写x个字符串(单词)。我必须找到写得最多的那一篇。它可以工作,但是当我尝试从文件中读取它时,却没有。例如,如果我执行 a.out'' #include #include in
这里是学习者,如果这个问题看起来很荒谬,请多多包涵。假设我试图引用字符串中的字符而不是字符串本身,我该怎么做呢?我的意思是; 给定:var str = "我想知道一个大脑分散的计算机如何保持理智" 我
这是阿克沙塔。我一直在解析以下数据。我想单独获取每个单词。我可以有一个示例代码以便我可以继续吗 RTRV-HDR RH01 SIMULATOR 09-11-18 16 13 19 M R
我有一个任意字符串,它总是包含至少一个英文单词后跟一系列数字:"Hello World 1234" 我如何只提取 "Hello World" 来自字符串? 最佳答案 在我看来你需要反正则表达式: St
我正在尝试输入一个四个单词的句子,然后能够使用indexOf和子字符串单独打印出每个单词。有什么想法我做错了吗? 已编辑 那么这就是它应该的样子吗?我已经运行了两次,得到了两个不同的答案,所以我不确定
如何在文本开头查找短语(单词) 我需要非常快速的解决方案来查明文本是否以某些已知短语开头 我在 Mysql (innodb) 表中的短语如下: CREATE TABLE IF NOT EXISTS `
我在 MYSQL 表中有一本字典,该表由 240 000 个单词组成。例如,如果我有字母 G、I、G、S、N> 和 O 我想选择表中包含所有或部分这些字母(并且没有其他字母)的所有单词。 可接受的词语
我是一名优秀的程序员,十分优秀!