【C#】统计文章中的前十位高频单词

思考：   

一个程序，如果要实现“统计文章中的前十位高频单词”的功能，首先、要有输入或者读入所要统计的文章；其次、就是如何对文章文本进行分析，断词（即提取出一个个单词）、计数、排序；最后要求有输出部分。难点在于如何断词与排序。

实现：

1. 读入文章文本

          利用StreamReader类（具体请查阅http://msdn.microsoft.com/zh-cn/library/system.io.streamreader(v=vs.110).aspx）从特定路径一特定编码的形式读入；

字符串textstring变量存文本，为后续文本分析做准备。

StreamReader sr = new StreamReader(@path, Text.Encoding.GetEncoding("GB2312"));
textstring = sr.ReadToEnd();

  这样，我就可以自定义路径来读入所需要查询的文本了。

   2.断词

     最初，我想的是利用数组操作进行对单词的提取，例如：利用if和switch语句配合字符串数组与整形数组进行操作，进行对每个单词的提取。（o(╯□╰)o但这样很明显工作量很大）；通过查询资料发现Regex类刚好实现这个功能（http://msdn.microsoft.com/zh-cn/library/system.text.regularexpressions.regex(v=vs.110).aspx）。

 

Regex regex = new Regex(Pattern);    //针对指定的正则表达式初始化 Regex 类的新实例

其中的Pattern就是我们所需要定义的正则表达式了（空格，逗号等用来区分单词的标点符号与特殊字符）；那如何利用regex实例来分割出单词呢？这里要用到它的split()方法了。

 

string[] words = regex.Split(textstring);//在由 Regex 构造函数指定的正则表达式模式所定义的位置，将输入字符串拆分为子字符串数组。

   3. 计数
      利用HashTable（http://msdn.microsoft.com/zh-cn/library/system.collections.hashtable(VS.80).aspx）来进行对单词的统计，充分利用其键和值得特性（键 存word，值 存次数）；

     

  foreach (string word in words)
            {
                try
                {
                    if (hash.Contains(word))//排除重复
                    {
                        int j = Convert.ToInt32(hash[word]) + 1;
                        hash.Remove(word);
                        hash.Add(word, j);

                    }
                    else
                    {
                        hash.Add(word, 1);//如果不含有word则加入word还有对应value值
                    }
                }
                catch
                {
                    MessageBox.Show ("出现null和空");
                }
                
            }

注意：这就出现了一个Contain()方法引发隐含的问题，那就是对于AAA与A这两个单词就会默认键相等，值+1,操作。产生错误（这个错误易引发后面排序混乱）。

 4.排序
   首先由于没有注意到上面错误，第一次排序，我使用的是冒泡法排序。

 

for (int a = 0; a < akeys.Count; a++)
            {
                for (int b = a + 1; b < akeys.Count; b++)
                {
                    if (valuearray[a] > valuearray[b])
                    {
                        int temp = valuearray[a];
                        valuearray[a] = valuearray[b];
                        
                        valuearray[b] = temp;
                        valuearray[a] = valuearray[b];  


                        string tempstr = keyarray[a];
                        keyarray[a] = keyarray[b];
                        keyarray[b] = tempstr;
                    }
                }
            }

但是，输出结果明显不对，返回到Contain()方法引发隐含的问题中分析，发现问题在于如何在排序的过程中纠正AAA中值（计数）的错误

 

 /*int temp = valuearray[a];
    valuearray[a] = valuearray[b];                        
    valuearray[b] = temp;
    valuearray[a] = valuearray[b];*/  
//分析AAA与A的特点，利用位操作来纠正AAA中的值 即 AAA的值域A的值进行位操作
    valuearray[a] ^= valuearray[b]; //排除AAA 与A这样的情况
    valuearray[b] ^= valuearray[a];
    valuearray[a] ^= valuearray[b];

优化及界面设计：

 
 

这里值的注意的就是拖拽功能的实现~同时要获取与同步Path。

 private void label2_DragDrop(object sender, DragEventArgs e)
        {

            //其中label1.Text显示的就是拖进文件的文件名；  
            string filePath = ((System.Array)e.Data.GetData(DataFormats.FileDrop)).GetValue(0).ToString();

            if (!string.IsNullOrEmpty(filePath))
            {
                path = filePath;
                textBox1.Text = filePath;

            }
        }

        private void label2_DragEnter(object sender, DragEventArgs e)
        {
            if (e.Data.GetDataPresent(DataFormats.FileDrop))
                e.Effect = DragDropEffects.Link;
            else e.Effect = DragDropEffects.None;  
        }

---

---

错误记录：

    HashTable的hash.Remove(word);hash.Add(word, j);与hash.[word]=j在计数时候的应用。
    数据之间的强制转换，例如：int.Parse是转换String为int； Convert.ToInt32是转换继承自Object的对象为int的. 你得到一个object对象,你想把它转换为int,用int.Parse就   不可以,要用Convert.ToInt32.

    排序过程。
    如何实现拖拽功能。

时间记录日志：
   20140225确定程序大体框架（20M）
   20140226实现初步功能，并查找相关资料，改良。（3H）

   20140227完善功能，制作界面。（1H）

 

 

 

 

 

 

 

 

 

 

 

         

转载于:https://www.cnblogs.com/feelwell/articles/3572559.html