5-13 词频统计 (30分)

5-13 词频统计   (30分)

请编写程序，对一段英文文本，统计其中所有不同单词的个数，以及词频最大的前10%的单词。

所谓“单词”，是指由不超过80个单词字符组成的连续字符串，但长度超过15的单词将只截取保留前15个单词字符。而合法的“单词字符”为大小写字母、数字和下划线，其它字符均认为是单词分隔符。

输入格式:

输入给出一段非空文本，最后以符号#结尾。输入保证存在至少10个不同的单词。

输出格式:

在第一行中输出文本中所有不同单词的个数。注意“单词”不区分英文大小写，例如“PAT”和“pat”被认为是同一个单词。

随后按照词频递减的顺序，按照词频:单词的格式输出词频最大的前10%的单词。若有并列，则按递增字典序输出。

输入样例：

This is a test.

The word "this" is the word with the highest frequency.

Longlonglonglongword should be cut off, so is considered as the same as longlonglonglonee.  But this_8 is different than this, and this, and this...#
this line should be ignored.

输出样例：（注意：虽然单词the也出现了4次，但因为我们只要输出前10%（即23个单词中的前2个）单词，而按照字母序，the排第3位，所以不输出。）

23
5:this
4:is
这是个字符串的好题,用的方法也非常巧妙.
#include<stdio.h>
#include<iostream>
#include<string>
#include<algorithm>
#include<vector>
using namespace std;
struct node{
	string s;
	int n;
};
vector<node > q;
bool cmp(node s1,node s2)
{
	if(s1.n ==s2.n )
	return s1.s <s2.s ;
	else
	return s1.n >s2.n; 
}
int main()
{
	char n;
	string s;
	while(scanf("%c",&n))
	{
		if(n>='A'&&n<='Z'||n>='a'&&n<='z'||n>='0'&&n<='9'||n=='_')
		{
			if(n>='A'&&n<='Z')
			n=n+32;
			s+=n;
		}
		else
		if(n=='#'||s.size()>0)
		{
			string ss;
			if(s.size()>0)
			{
				int g=0;
				for(int i=0;i<15&&i<s.size();i++)
				{
					ss+=s[i];
				}
				for(int i=0;i<q.size();i++)
				{
					if(q[i].s==ss)
					q[i].n++;
					g=1;
				}
				if(g==0)
				{
					node cc ;
					cc.n = 1;
					cc.s = ss;
					q.push_back(cc);
				}
			}
			s.clear();
			if(n=='#')
			{
				break;
			}
		}
	}
	printf("%d\n",q.size());
	sort(q.begin(),q.end(),cmp);
	for(int i=0;i<q.size()/10;i++)
	printf("%d:",q[i].n),cout<<q[i].s,printf("\n");
}