2016/1/13 星期三
弄了好几天的预处理,一直在读取文件那里挣扎,我要弄的是从一个文件夹目录下读取几个字文件夹的文本文档,过滤提取出含有某些关键词的文本,然后分别生成两个文件夹,一个是存储对过滤出来的文本进行预处理后的文本,另一个是存储过滤出来的文本的复制文本。原以为已经弄好了(原以为~~),昨晚偶然发现文件读取还是出错了~~通过不断调试代码以及师兄的帮忙,得到以下的东西~~
字节流与字符流
FileInputStream :以字节流方式读取;
FileReader :把文件转换为字符流读入;
InputStream提供的是字节流的读取,而非文本读取,这是和Reader类的根本区别。
Reader读取出来的是char数组或String/StringBuffer,InputStream读取出来的是byte数组。
而InputStreamReader是reader和stream之间的桥梁,可以将stream转换成字符流方式
FileInputStream 类以二进制输入 / 输出,它的 read ()方法读到的是一个字节;
FileReader 类以文本格式输入/ 输出,可以使用 while((ch = filereader.read())!=-1 ) 循环来读取文件,可以使用BufferedReader 的 readLine() 方法一行一行的读取文本。
读写文本文件的时候,采用 Reader 是非常方便的,比如 FileReader , InputStreamReader 和 BufferedReader 。
其中最重要的类是 InputStreamReader ,它是字节转换为字符的桥梁。
但FileReader 与 InputStreamReader 涉及编码转换 ( 指定编码方式或者采用 os 默认编码 ) ,可能在不同的平台上出现乱码现象!
而 FileInputStream 以二进制方式处理,不会出现乱码现象。
如果处理纯文本文件,建议使用 FileReader ,但是要注意编码问题;
处理非纯文本文件,FileInputStream是唯一的选择。
常用方法:
(网上的代码)
Stream
private static void customBufferBufferedStreamCopy(File source, File target) {
InputStream fis = null;
OutputStream fos = null;
try {
fis = new BufferedInputStream(new FileInputStream(source));
fos = new BufferedOutputStream(new FileOutputStream(target));
byte[] buf = new byte[4096];
int i;
while ((i = fis.read(buf)) != -1) {
fos.write(buf, 0, i);
}
}
catch (Exception e) {
e.printStackTrace();
} finally {
close(fis);
close(fos);
}
}
Reader
public void readFile01() throws IOException {
FileReader fr=new FileReader("E:/123.txt");
BufferedReader br=new BufferedReader(fr);
String line="";
String[] arrs=null;
while ((line=br.readLine())!=null) {
arrs=line.split(",");
System.out.println(arrs[0] + " : " + arrs[1] + " : " + arrs[2]);
}
br.close();
fr.close();
}
BufferedReader 由Reader类扩展而来,提供通用的缓冲方式文本读取,而且提供了很实用的readLine,读取分行文本很适合,BufferedReader是针对Reader的,不直接针对文件,也不是只针对文件读取。
文件的编码,系统的编码,java的默认编码有冲突
用FileReader这些类来读取系统文件,它调用的字符编码是java默认的UTF-8,但是一般WINDOW的TXT默认是ANSI,而自己本机的中文编码是GBK
所以读取数据就会出现代码,示例代码如下:
BufferedReader reader = new BufferedReader(new FileReader(file));
这是编码问题,所以要转换字符编码,但FileReader构造函数和方法成员都没有设置编码方法
而InputStreamReader类有,因此可以转换字符编码,代码如下:
BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(file),"GBK"));
转换之后就可以正常读取文本中的数据,不会出现中文乱码
按行读取文本和整篇文本的读取
(在这里,真的非常感谢子旋师兄的帮忙啊啊啊,几分钟两行代码就解决了困扰我一早上的问题,不,正确来说,是好几天!!!)
ArrayList<String> mfiles = new ArrayList<String>();
StringBuffer sb = new StringBuffer();//StringBuffer可以动态增删,String不可以
while ((line = srcFileBR1.readLine()) != null) {
sb.append(line);//sb.toString()后就能获取整篇文本的内容并为字符串类型,要是想要一行一行地读取,然后获取每行的字符串,就可以把这行代码删掉
mfiles.add(line + "\r\n");//读取每行,并存进数组列表
}
关键字过滤
垃圾邮件过滤中会用到关键字过滤:
用户预先设置一组关键字和对应的过滤规则。当接收邮件时,系统自动检查邮件的标题或内容,看其中是否含有用户设置的关键字,如果有,则根据过滤规则进行相应的操作,如拒收,或者删除,或者投递到指定目录等。这种方法误判率也很高,但它除了用来反垃圾邮件之外,还可以实现邮件自动分类等功能,所以应用很广泛。
因此,借用这种方式,从网上借鉴了代码实现了~(我是渣渣不会打代码~哭晕了~~)
package edu.stanford.nlp;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStreamReader;
import java.util.HashMap;
import java.util.HashSet;
import java.util.Iterator;
import java.util.Map;
import java.util.Set;
/**
* @Description: 初始化敏感词库,将敏感词加入到HashMap中,构建DFA算法模型
*
*/
public class SensitiveWordInit {
private String ENCODING = "GBK"; //字符编码
@SuppressWarnings("rawtypes")
public HashMap sensitiveWordMap;
public SensitiveWordInit(){
super();
}
@SuppressWarnings("rawtypes")
public Map initKeyWord(){
try {
//读取敏感词库
Set<String> keyWordSet = readSensitiveWordFile();
//将敏感词库加入到HashMap中
addSensitiveWordToHashMap(keyWordSet);
//spring获取application,然后application.setAttribute("sensitiveWordMap",sensitiveWordMap);
} catch (Exception e) {
e.printStackTrace();
}
return sensitiveWordMap;
}
/**
* 读取敏感词库,将敏感词放入HashSet中,构建一个DFA算法模型:
* @param keyWordSet 敏感词库
*
*/
@SuppressWarnings({ "rawtypes", "unchecked" })
private void addSensitiveWordToHashMap(Set<String> keyWordSet) {
sensitiveWordMap = new HashMap(keyWordSet.size()); //初始化敏感词容器,减少扩容操作
String key = null;
Map nowMap = null;
Map<String, String> newWorMap = null;
//迭代keyWordSet
Iterator<String> iterator = keyWordSet.iterator();
while(iterator.hasNext()){
key = iterator.next(); //关键字
nowMap = sensitiveWordMap;
for(int i = 0 ; i < key.length() ; i++){
char keyChar = key.charAt(i); //转换成char型
Object wordMap = nowMap.get(keyChar); //获取
if(wordMap != null){ //如果存在该key,直接赋值
nowMap = (Map) wordMap;
}
else{ //不存在则,则构建一个map,同时将isEnd设置为0,因为他不是最后一个
newWorMap = new HashMap<String,String>();
newWorMap.put("isEnd", "0"); //不是最后一个
nowMap.put(keyChar, newWorMap);
nowMap = newWorMap;
}
if(i == key.length() - 1){
nowMap.put("isEnd", "1"); //最后一个
}
}
}
}
/**
* 读取敏感词库中的内容,将内容添加到set集合中
* @throws Exception
*/
@SuppressWarnings("resource")
private Set<String> readSensitiveWordFile() throws Exception{
Set<String> set = null;
File file = new File("D:\\SensitiveWord.txt"); //读取文件
InputStreamReader read = new InputStreamReader(new FileInputStream(file),ENCODING);
try {
if(file.isFile() && file.exists()){ //文件流是否存在
set = new HashSet<String>();
BufferedReader bufferedReader = new BufferedReader(read);
String txt = null;
while((txt = bufferedReader.readLine()) != null){ //读取文件,将文件内容放入到set中
set.add(txt);
}
}
else{ //不存在抛出异常信息
throw new Exception("敏感词库文件不存在");
}
} catch (Exception e) {
throw e;
}finally{
read.close(); //关闭文件流
}
return set;
}
}
package edu.stanford.nlp;
import java.io.File;
import java.io.IOException;
import java.util.HashSet;
import java.util.Iterator;
import java.util.Map;
import java.util.Set;
/**
* @Description: 敏感词过滤
*/
public class SensitivewordFilter {
@SuppressWarnings("rawtypes")
private Map sensitiveWordMap = null;
public static int minMatchTYpe = 1; //最小匹配规则
public static int maxMatchType = 2; //最大匹配规则
/**
* 构造函数,初始化敏感词库
*/
public SensitivewordFilter(){
sensitiveWordMap = new SensitiveWordInit().initKeyWord();
}
/**
* 判断文字是否包含敏感字符
* @param matchType 匹配规则 1:最小匹配规则,2:最大匹配规则
* @return 若包含返回true,否则返回false
*/
public boolean isContaintSensitiveWord(String txt,int matchType){
boolean flag = false;
for(int i = 0 ; i < txt.length() ; i++){
int matchFlag = this.CheckSensitiveWord(txt, i, matchType); //判断是否包含敏感字符
if(matchFlag > 0){ //大于0存在,返回true
flag = true;
}
}
return flag;
}
/**
* 获取文字中的敏感词
* @param matchType 匹配规则 1:最小匹配规则,2:最大匹配规则
* @return
*/
public Set<String> getSensitiveWord(String txt , int matchType){
Set<String> sensitiveWordList = new HashSet<String>();
for(int i = 0 ; i < txt.length() ; i++){
int length = CheckSensitiveWord(txt, i, matchType); //判断是否包含敏感字符
if(length > 0){ //存在,加入list中
sensitiveWordList.add(txt.substring(i, i+length));
i = i + length - 1; //减1的原因,是因为for会自增
}
}
return sensitiveWordList;
}
/**
* 替换敏感字字符
* @param matchType
* @param replaceChar 替换字符,默认*
* @version 1.0
*/
public String replaceSensitiveWord(String txt,int matchType,String replaceChar){
String resultTxt = txt;
Set<String> set = getSensitiveWord(txt, matchType); //获取所有的敏感词
Iterator<String> iterator = set.iterator();
String word = null;
String replaceString = null;
while (iterator.hasNext()) {
word = iterator.next();
replaceString = getReplaceChars(replaceChar, word.length());
resultTxt = resultTxt.replaceAll(word, replaceString);
}
return resultTxt;
}
/**
* 获取替换字符串
* @param replaceChar
* @param length
* @return
*/
private String getReplaceChars(String replaceChar,int length){
String resultReplace = replaceChar;
for(int i = 1 ; i < length ; i++){
resultReplace += replaceChar;
}
return resultReplace;
}
/**
* 检查文字中是否包含敏感字符,检查规则如下:
* @param beginIndex
* @param matchType
* @return,如果存在,则返回敏感词字符的长度,不存在返回0
* @version 1.0
*/
@SuppressWarnings({ "rawtypes"})
public int CheckSensitiveWord(String txt,int beginIndex,int matchType){
boolean flag = false; //敏感词结束标识位:用于敏感词只有1位的情况
int matchFlag = 0; //匹配标识数默认为0
char word = 0;
Map nowMap = sensitiveWordMap;
for(int i = beginIndex; i < txt.length() ; i++){
word = txt.charAt(i);
nowMap = (Map) nowMap.get(word); //获取指定key
if(nowMap != null){ //存在,则判断是否为最后一个
matchFlag++; //找到相应key,匹配标识+1
if("1".equals(nowMap.get("isEnd"))){ //如果为最后一个匹配规则,结束循环,返回匹配标识数
flag = true; //结束标志位为true
if(SensitivewordFilter.minMatchTYpe == matchType){ //最小规则,直接返回,最大规则还需继续查找
break;
}
}
}
else{ //不存在,直接返回
break;
}
}
if(matchFlag < 2 || !flag){ //长度必须大于等于1,为词
matchFlag = 0;
}
return matchFlag;
}
public static void main(String[] args) throws IOException {
// SensitivewordFilter filter = new SensitivewordFilter();
// System.out.println("敏感词的数量:" + filter.sensitiveWordMap.size());
// String string = "Vietnam China's south China sea dispute Viet Nam ";
// System.out.println("待检测语句字数:" + string.length());
// long beginTime = System.currentTimeMillis();
// Set<String> set = filter.getSensitiveWord(string, 1);
// long endTime = System.currentTimeMillis();
// System.out.println("语句中包含敏感词的个数为:" + set.size() + "。包含:" + set);
// System.out.println("总共消耗时间为:" + (endTime - beginTime));
}
}
哈哈哈,今天就先这样啦~要是接下来继续有收获的话可能就继续更新,不然,本宝宝就要滚蛋啦啦啦啦~