统计名著中汉字出现频率

统计名著中汉字出现频率

统计文本中每个汉字出现的次数，不同的汉字数，汉字的重复率

• 因为最近发现成人英语掌握的词汇量大概是2-3万（有个词汇测试网站的数据）；
• 而常用的汉字是5000字，我想统计下读《三国演义》需要的词汇量;
• 有空再统计下英文名著的词汇量

package com.liu.practice.common;

import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.io.FileWriter;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Collections;
import java.util.Comparator;
import java.util.HashMap;
import java.util.Map;
import java.util.Map.Entry;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/** * 统计文本中每个汉字出现的次数，不同的汉字数，汉字的重复率 * 因为最近发现成人英语掌握的词汇量大概是2-3万（有个词汇测试网站的数据）， * 而常用的汉字是5000字，我想统计下读《三国演义》需要的词汇量; * 有空再统计下英文名著的词汇量 * * @author gary * */
public class StatisticCharacter {
    public static double totalCount = 0;
    public static double diffWord = 0;
    public static Map<String, Integer> characterMap = new HashMap<String, Integer>();
    public static ArrayList<Entry<String, Integer>> sortWordList;
    public static void main(String[] args) throws IOException {
        String fileName = "/users/gary/Documents/Study/Practice/sanguo1.txt";
        String words = "";
        File file = new File(fileName);
        BufferedReader bufferedReader = new BufferedReader(new FileReader(file));
        String str = null;
        while ((str = bufferedReader.readLine()) != null) {
            sumWordNum(str);
        }
        bufferedReader.close();
        System.out.println("总字数------" + totalCount);
        System.out.println("不同的字数------" + diffWord);
        sort(characterMap);
        FileWriter fileWriter = null;
        try {
            fileWriter = new FileWriter("/users/gary/Documents/Study/Practice/output.txt");
            for (Entry<String, Integer> entry : sortWordList) {
// System.out.println(entry.getKey() + "------" + entry.getValue());
                words += entry.getKey() + "------" + entry.getValue() + "\r\n";
            }
            fileWriter.write(words);
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        } finally {
            if (fileWriter != null) {
                fileWriter.close();
            }
        }
        System.out.println("重复率-----" + ((totalCount-diffWord)/totalCount));
    }

    /** * 统计总字数和每个字出现的次数 * * @param str */
    public static void sumWordNum(String str) {
        int num;
        Pattern p = Pattern.compile("[\\u4e00-\\u9fa5]");
        Matcher matcher = p.matcher(str);
        while (matcher.find()) {
            totalCount++;
            if (!characterMap.containsKey(matcher.group())) {
                num = 1;
                diffWord++;
                characterMap.put(matcher.group(), num);
            } else {
                num = characterMap.get(matcher.group()) + 1;
                characterMap.put(matcher.group(), num);
            }
        }
    }
    /** * 按value排序hashmap，统计单词的频率从高到低 * @param map */
    public static void sort(Map<String, Integer> map){
        sortWordList  = new ArrayList<Map.Entry<String,Integer>>(map.entrySet());
        Collections.sort(sortWordList,new Comparator<Map.Entry<String, Integer>>() {
            public int compare(Map.Entry<String, Integer> map1 , Map.Entry<String, Integer> map2){
                return (map2.getValue() - map1.getValue());
            }
        });
    }

}

输出结果：

总字数------493649.0
不同的字数------4028.0
重复率-----0.9918403562045097

文件中内容：

注意：可以用Safari打开txt，直接把文件拖到地址栏就可以了，如果乱码，可以选择显示不同编码

文中得正则参考：http://blog.csdn.net/w4bobo/article/details/17024019

Map的排序参考：http://bookc.github.io/2014/05/09/java-map-sort-method/