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;
• 也统计了下英文名著的词汇量 统计英文名著中单词出现频率

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/