Go语言词频统计

huang_he_87 · · 1058 次点击 · · 开始浏览    
这是一个创建于 的文章,其中的信息可能已经有所发展或是发生改变。

/**
 * Go语言词频统计,运行命令go run src/code/main.go test/words.txt
 * @author unknown
 * @since 2019-12-18
 * 文件内容:
   hello tom glad to meet you
   yes me glad to meet you
   how are you
 * 输出结果:
   Word        Frequency
   are   1
   glad  2
   hello 1
   how   1
   me    1
   meet  2
   to    2
   tom   1
   yes   1
   you   3
   Frequency → Words
   1 are, hello, how, me, tom, yes
   2 glad, meet, to
   3 you
*/
package main

import (
   "bufio"
   "fmt"
   "io"
   "log"
   "os"
   "path/filepath"
   "runtime"
   "sort"
   "strings"
   "unicode"
   "unicode/utf8"
)

func main() {
   //命令输入错误或需要帮助时提示
   if len(os.Args) == 1 || os.Args[1] == "-h" || os.Args[1] == "--help" {
      fmt.Printf("usage: %s <file1> [<file2> [... <fileN>]]\n",
         filepath.Base(os.Args[0]))
      os.Exit(1)
   }
   //创建单词=>频次map
   frequencyForWord := map[string]int{} // 与:make(map[string]int)相同
   //读取文件内容
   for _, filename := range commandLineFiles(os.Args[1:]) {
      //更新每个单词的频次
      updateFrequencies(filename, frequencyForWord)
   }
   //打印单词=>频次
   reportByWords(frequencyForWord)
   //反转单词=>频次 为 频次=>单词(多个)
   wordsForFrequency := invertStringIntMap(frequencyForWord)
   //打印频次=>单词(多个)
   reportByFrequency(wordsForFrequency)
}

func commandLineFiles(files []string) []string {
   /**
    * 因为 Unix 类系统(如 Linux 或 Mac OS X 等)的命令行工具默认会自动处理通配符
    *(也就是说,*.txt 能匹配任意后缀为 .txt 的文件,如 README.txt 和 INSTALL.txt 等),
    * 而 Windows 平台的命令行工具(CMD)不支持通配符,所以如果用户在命令行输入 *.txt,那么程序只能接收到 *.txt。
    * 为了保持平台之间的一致性,这里使用 commandLineFiles() 函数来实现跨平台的处理,当程序运行在 Windows 平台时,实现文件名通配功能
    */
   if runtime.GOOS == "windows" {
      args := make([]string, 0, len(files))
      for _, name := range files {
         if matches, err := filepath.Glob(name); err != nil {
            args = append(args, name) // 无效模式
         } else if matches != nil {
            args = append(args, matches...)
         }
      }
      return args
   }
   return files
}

/**
 * updateFrequencies() 函数纯粹就是用来处理文件的,它打开给定的文件,并使用 defer 在函数返回时关闭文件,
 * 这里我们将文件作为一个 *bufio.Reader(使用 bufio.NewReader() 函数创建)传给 readAndUpdateFrequencies() 函数,
 * 因为这个函数是以字符串的形式一行一行地读取数据的,所以实际的工作都是在 readAndUpdateFrequencies() 函数里完成的
 */
func updateFrequencies(filename string, frequencyForWord map[string]int) {
   var file *os.File
   var err error
   if file, err = os.Open(filename); err != nil {
      log.Println("failed to open the file: ", err)
      return
   }
   defer file.Close()
   readAndUpdateFrequencies(bufio.NewReader(file), frequencyForWord)
}

/**
 * 第一部分的代码我们应该很熟悉了,用了一个无限循环来一行一行地读一个文件,
 * 当读到文件结尾或者出现错误的时候就退出循环,将错误报告给用户但并不退出程序,因为还有很多其他的文件需要去处理。
 * 任意一行都可能包括标点、数字、符号或者其他非单词字符,所以我们需要逐个单词地去读,
 * 将每一行分隔成若干个单词并使用 SplitOnNonLetters() 函数忽略掉非单词的字符,并且过滤掉字符串开头和结尾的空白。
 * 只需要记录含有两个以上(包括两个)字母的单词,可以通过使用 if 语句,如 utf8.RuneCountlnString(word) > 1 来完成。
 * 上面描述的 if 语句有一点性能损耗,因为它会分析整个单词,所以在这个程序里我们增加了一个判断条件,
 * 用来检査这个单词的字节数是否大于 utf8.UTFMax(utf8.UTFMax 是一个常量,值为 4,用来表示一个 UTF-8 字符最多需要几个字节)
 */
func readAndUpdateFrequencies(reader *bufio.Reader,
   frequencyForWord map[string]int) {
   for {
      line, err := reader.ReadString('\n')
      for _, word := range SplitOnNonLetters(strings.TrimSpace(line)) {
         if len(word) > utf8.UTFMax ||
            utf8.RuneCountInString(word) > 1 {
            frequencyForWord[strings.ToLower(word)] += 1
         }
      }
      if err != nil {
         if err != io.EOF {
            log.Println("failed to finish reading the file: ", err)
         }
         break
      }
   }
}

/**
 * 用来在非单词字符上对一个字符串进行切分,首先我们为 strings.FieldsFunc() 函数创建一个匿名函数 notALetter,
 * 如果传入的是字符那就返回 false,否则返回 true,
 * 然后返回调用函数 strings.FieldsFunc() 的结果,调用的时候将给定的字符串和 notALetter 作为它的参数
 */
func SplitOnNonLetters(s string) []string {
   notALetter := func(char rune) bool { return !unicode.IsLetter(char) }
   return strings.FieldsFunc(s, notALetter)
}

/**
 * 首先创建一个空的映射,用来保存反转的结果,但是我们并不知道它到底要保存多少个项,
 * 因此我们假设它和原来的映射容量一样大,然后简单地遍历原来的映射,将它的值作为键保存到反转的映射里,并将键增加到对应的值里去,
 * 新的映射的值就是一个字符串切片,即使原来的映射有多个键对应同一个值,也不会丢掉任何数据
 */
func invertStringIntMap(intForString map[string]int) map[int][]string {
   stringsForInt := make(map[int][]string, len(intForString))
   for key, value := range intForString {
      stringsForInt[value] = append(stringsForInt[value], key)
   }
   return stringsForInt
}

func reportByWords(frequencyForWord map[string]int) {
   words := make([]string, 0, len(frequencyForWord))
   wordWidth, frequencyWidth := 0, 0
   for word, frequency := range frequencyForWord {
      words = append(words, word)
      if width := utf8.RuneCountInString(word); width > wordWidth {
         wordWidth = width
      }
      if width := len(fmt.Sprint(frequency)); width > frequencyWidth {
         frequencyWidth = width
      }
   }
   sort.Strings(words)
   /**
    * 经过排序之后我们打印两列标题,第一个是 "Word",为了能让 Frequency 最后一个字符 y 右对齐,
    * 需要在 "Word" 后打印一些空格,通过 %*s 可以实现的打印固定长度的空白,也可以使用 %s 来打印 strings.Repeat(" ", gap) 返回的字符串
    */
   gap := wordWidth + frequencyWidth - len("Word") - len("Frequency")
   fmt.Printf("Word %*s%s\n", gap, " ", "Frequency")
   for _, word := range words {
      fmt.Printf("%-*s %*d\n", wordWidth, word, frequencyWidth,
         frequencyForWord[word])
   }
}

/**
 * 首先创建一个切片用来保存频率,并按照频率升序排列,然后再计算需要容纳的最大长度并以此作为第一列的宽度,之后输出报告的标题,
 * 最后,遍历输出所有的频率并按照字母升序输出对应的单词,如果一个频率有超过两个对应的单词则单词之间使用逗号分隔开
 */
func reportByFrequency(wordsForFrequency map[int][]string) {
   frequencies := make([]int, 0, len(wordsForFrequency))
   for frequency := range wordsForFrequency {
      frequencies = append(frequencies, frequency)
   }
   sort.Ints(frequencies)
   width := len(fmt.Sprint(frequencies[len(frequencies)-1]))
   fmt.Println("Frequency → Words")
   for _, frequency := range frequencies {
      words := wordsForFrequency[frequency]
      sort.Strings(words)
      fmt.Printf("%*d %s\n", width, frequency, strings.Join(words, ", "))
   }
}



有疑问加站长微信联系(非本文作者)

本文来自:51CTO博客

感谢作者:huang_he_87

查看原文:Go语言词频统计

入群交流(和以上内容无关):加入Go大咖交流群,或添加微信:liuxiaoyan-s 备注:入群;或加QQ群:692541889

1058 次点击  
加入收藏 微博
暂无回复
添加一条新回复 (您需要 登录 后才能回复 没有账号 ?)
  • 请尽量让自己的回复能够对别人有帮助
  • 支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`
  • 支持 @ 本站用户;支持表情(输入 : 提示),见 Emoji cheat sheet
  • 图片支持拖拽、截图粘贴等方式上传