windows下遍历目录统计字符、单词、词组

最新推荐文章于 2023-08-01 14:31:59 发布

tilmto

最新推荐文章于 2023-08-01 14:31:59 发布

阅读量640

点赞数

本文链接：https://blog.csdn.net/weixin_41685679/article/details/80497788

版权

该博客介绍了如何在Windows环境下遍历目录，统计文本文件的字符数、单词数、行数以及词频。文章详细阐述了实现过程，包括使用C++的unordered_map存储单词和词组频率，以及如何处理文件遍历和统计中的各种细节问题。通过遍历文件夹、读取文件、哈希表操作和输出结果等步骤，实现了高效的数据统计。

摘要由CSDN通过智能技术生成

需求分析

　　对源文件（*.txt,*.cpp,*.h,*.cs,*.html,*.js,*.java,*.py,*.php等，文件夹内的所有文件）统计字符数、单词数、行数、词频，统计结果以指定格式输出到默认文件中，以及其他扩展功能，并能够快速地处理多个文件。

　　具体要求：

　　1. 统计文件的字符数（只需要统计Ascii码，汉字不用考虑）

　　2. 统计文件的单词总数

　　3. 统计文件的总行数（任何字符构成的行，都需要统计）

　　4. 统计文件中各单词的出现次数，输出频率最高的10个。

　　5. 对给定文件夹及其递归子文件夹下的所有文件进行统计

　　6. 统计两个单词（词组）在一起的频率，输出频率最高的前10个。

　　ps：

a) 空格，水平制表符，换行符，均算字符

　　b) 单词的定义：至少以4个英文字母开头，跟上字母数字符号，单词以分隔符分割，不区分大小写。

　　英文字母：A-Z，a-z

　　字母数字符号：A-Z，a-z，0-9

　　分割符：空格，非字母数字符号

时间安排

　　PSP表：

流程	预估时间/h	实际时间/h
需求分析	0.5	0.5
具体设计	1.5	1
具体编码	6	8
代码测试	2	2
性能优化	2	1
总结报告	2	2.5

实现过程

1、首先确定遍历文件方式，为减少模块间的耦合度，先提取出总目录下所有非目录文件的文件名，用 string[] fileName 来存储，方便之后的文件操作。c标准库里提供了一结构体 _finddata_t 来记录文件信息，其中就包含了该文件是否为目录文件，若是，则递归调用遍历函数访问子文件夹；若否，则用 _findnext() 函数找下一文件。将访问过的文件的文件名与其目录结合成路径保存在 fileName 中。

void SearchFiles(char* dir,string fileName[],int& fileNum)
{
    intptr_t handle;
    _finddata_t findData;
    char searchdir[200],newdir[200],newfile[200];

    strcpy_s(searchdir, dir);
    strcat_s(searchdir, "\\*");
    handle = _findfirst(searchdir, &findData); 

    if (handle == -1)
    {
        cout << "Failed to find first file!\n";
        return;
    }

    do
    {
        if (strcmp(findData.name, ".") != 0 && strcmp(findData.name, "..") != 0)
        {
            if (findData.attrib == _A_SUBDIR)
            {
                strcpy_s(newdir, dir);
                strcat_s(newdir, "\\");
                strcat_s(newdir, findData.name);
                SearchFiles(newdir,fileName,fileNum);
            }    
            else
            {
                strcpy_s(newfile, dir);
                strcat_s(newfile, "\\");
                strcat_s(newfile, findData.name);
                fileName[fileNum]=newfile;
                fileNum+=1;                
            }
        }
    } while (_findnext(handle, &findData) == 0);    

    _findclose(handle);   
}

2、单词与其出现个数的关系用哈希表来存储，这里采用 C++ STL 函数 unordered_map() <string,int> wordValueMap ,由于按照要求 file 与 FilE231为同一单词，则再建立一张哈希表 unordered_map() <string,int> wordValueMap ，其中 wordValueMap 的 string 存储一个单词最简单的名字，即脱去所有后缀数字且字母全部转化为小写，而 wordNameMap 则将单词的最简名字映射到实际出现的且按照要求应该保留的名字。这种方式将查找名字与选取合适的名字分开，可以更方便地进行哈希表查找。

3、对 fileName 中每个文件进行读操作，使用 fgetc() 进行逐个字符阅读，并存储在 string word 中，若遇到非字母数字字符，则判断 word 是否以四个字母打头，若是则 word 是一个单词，将其写入 wordValueMap (无则添加，已存在则个数加1)，并判断是否要在 wordNameMap 中更改它的实际名字。在此过程中同时记录字符数、单词数、行数（出现“\n”则加1，且每个文件最末尾加1）。为了能够统计词组情况，设置了一全局数组 string allWords[] ，将读文件过程中所有的单词（最简单形式）读入 allWords 。

void ReadFile(FILE *fp, unordered_map<string, int>& wordValueMap, unordered_map<string, string>& wordNameMap, int& chrtCount, int& wordCount, int& lineCount)
{
    char ch;
    string word;
    unsigned int i,j;
    unordered_map<string, int>::iterator itValue;
    unordered_map<string, string>::iterator itName;

    while ((ch = fgetc(fp)) != EOF)
    {
        if (ch >= 32 && ch <=