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。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，之后每度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

1. public class WordCount {
2.     private String word;
3.     
4.     private int count;
6.     public int getCount() {
7.         return count;
8.     }
10.     public void setCount(int count) {
11.         this.count = count;
12.     }
14.     public String getWord() {
15.         return word;
16.     }
18.     public void setWord(String word) {
19.         this.word = word;
20.     }
21. }

　　其次是实现词频表生成算法的类：

1. public class WordCountService {
2.     
3.     /**
4.      * 根据文章生成单词树
5.      * @param text
6.      * @return
7.      */
8.     private static CharTreeNode geneCharTree(String text){
9.         CharTreeNode root = new CharTreeNode();
10.         CharTreeNode p = root;
11.         char c = ' ';
12.         for(int i = 0; i < text.length(); ++i){
13.             c = text.charAt(i);
14.             if(c >= 'A' && c <= 'Z')
15.                 c = (char)(c + 'a' - 'A');
16.             if(c >= 'a' && c <= 'z'){
17.                 if(p.children[c-'a'] == null)
18.                     p.children[c-'a'] = new CharTreeNode();
19.                 p = p.children[c-'a'];
20.             }
21.             else{
22.                 p.cnt ++;
23.                 p = root;
24.             }
25.         }
26.         if(c >= 'a' && c <= 'z')
27.             p.cnt ++;
28.         return root;
29.     }
30.     
31.     /**
32.      * 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
33.      * @param result
34.      * @param p
35.      * @param buffer
36.      * @param length
37.      */
38.     private static void getWordCountFromCharTree(List result,CharTreeNode p, char[] buffer, int length){
39.         for(int i = 0; i < 26; ++i){
40.             if(p.children[i] != null){
41.                 buffer[length] = (char)(i + 'a');
42.                 if(p.children[i].cnt > 0){
43.                     WordCount wc = new WordCount();
44.                     wc.setCount(p.children[i].cnt);
45.                     wc.setWord(String.valueOf(buffer, 0, length+1));
46.                     result.add(wc);
47.                 }
48.                 getWordCountFromCharTree(result,p.children[i],buffer,length+1);
49.             }
50.         }
51.     }
52.     
53.     private static void getWordCountFromCharTree(List result,CharTreeNode p){
54.         getWordCountFromCharTree(result,p,new char[100],0);
55.     }
56.     
57.     /**
58.      * 得到词频表的主算法,供外部调用
59.      * @param article
60.      * @return
61.      */
62.     public static List getWordCount(String article){
63.         CharTreeNode root = geneCharTree(article);
64.         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
65.         getWordCountFromCharTree(result,root);
66.         Collections.sort(result, new Comparator(){
67.             public int compare(Object o1, Object o2) {
68.                 WordCount wc1 = (WordCount)o1;
69.                 WordCount wc2 = (WordCount)o2;
70.                 return wc2.getCount() - wc1.getCount();
71.             }
72.         });
73.         return result;
74.     }
75. }
77. /**
78.  * 单词树结点的定义
79.  * @author FlameLiu
80.  *
81.  */
82. class CharTreeNode{
83.     int cnt = 0;
84.     CharTreeNode[] children = new CharTreeNode[26];
85. }