基于哈希表的词频统计.docVIP

?  本例可执行文件下载: ??下载 ? (?????????链表的使用 (?????????文件操作 (?????????哈希表的使用 (?????????快速排序法 (?????????类的设计和使用 一、案例需求 1．案例描述 词频统计就是统计一个句子或一篇文章中各种词出现的频率，它是中文信息处理的一项基本技术，在很多领域都有重要的应用。比如在中文搜索引擎（如：google，baidu）中，除去特别常用的词，一篇文章中出现频率较高的词通常能反映这篇文章的主题，因此可以使用词频来对中文文章进行文本聚类。本案例实现按词表对文章中的词语进行分析，并按字典序给出词表中各词语在文章中出现的频数。 2．案例效果图 （1）案例需要一个待统计文本文件，效果图如图20-3、20-4所示。 图20-1待统计文本文件内容 （2）本案例需一个词表文件，效果图如图20-2所示。 图20-2词表文件内容 （3）本案例最终统计出每个词在文本中出现的次数。运行结果如图20-3所示。 图20-3运行结果 （3）本案例最终统计出的结果保存在out.txt中。效果图如图20-4所示。 图20-4运行结果文件内容 3．功能说明 （1）本案例需要一个文本和一个词表，统计出每个词在文本中出现的次数。统计的原则包括以下两种： (??????交集型：如“内存在涨价”，需要统计“内存”和“存在”（假设这两个词都在词表中）。 (??????组合型：如“中美关系在发展”，需要统计“中美”、“关系”和“中美关系”（假设这三个词都在词表中）。 （2）文本和词表的格式是： 输入文本是一个长句，句中只包含汉字，不包含数字、标点、空格、回车以及其它任何特殊符号。文本规模小于等于50，000汉字。 输入词表的规模小于等于100，000个词，所有词不重复，词在2~7个汉字之间，每个词占一行。 （3）实现基于词表的词频统计，从磁盘中读取词表和文本，将词频统计结果输出到磁盘中，输出结果要求按字典序排序，并计算出程序运行时间。 二、案例分析 首先分析选取哪种数据结构，以达到高速搜索的目的。具备搜索功能的数据结构很多，如线性表、平衡树、哈希表等，当数据量庞大时，使用哈希表最合适。哈希表的概念在案例“哈希表的演示”已经做了介绍。 根据需要构造一个哈希表类，在类中实现如下操作： (???建立哈希表将词表在内存中存储起来，这个存储的过程就是类的构造函数。案例中的词表是数量较大的词组，词与词之间用空格隔开。因此可用文件流函数getline来实现。每次调用getline函数便得到一个存有词的字符串，然后将字符串按照某种散列函数插入到哈希表中，一直到词表全部存储为止。 (???统计词频：从词表中读取文本文件，存储在一个字符串里，因为每个汉字存储在两个字节里，所以词在4~14个字节之间，用char word[15]即可表示一个词。考虑到词频统计的交集性和组合性原则，可对在文本字符串中的每个汉字与其后的汉字分别组成2~7个汉字的词，在词表中进行搜索，每被搜到一次，次数加1。循环直到文本末尾。 (???哈希函数（散列函数）的实现：用char word[15]存储的词得到一个关键字，然后除以某个素数，得到的余数为散列地址。由于数据较多，要高速完成搜索，散列到每个相同地址的元素要尽量少，因此素数要很大，关键字的范围也很大且不重叠。 (???按字符的字典序排序输出：而哈希表是乱序存储的，故可先遍历哈希表，将所有词频大于0的词存入数组中，用快速排序法将这个数组中的元素排序。 三、案例设计 1．类的设计 根据案例分析，需要设计出两个结构体NODE和TABLE，同时还需设计一个类SYMBOLTABLE。其中：结构体NODE是哈希桶（哈希桶--哈希表中各个同地址值的元素构成的链表）中节点的数据结构，?TABLE是哈希表的结构，SYMBOLTABLE类提供了诸如：哈希函数、查找词汇、遍历哈希表、将词汇插入哈希表中、快速排序等功能。 （1）?????? struct NODE { ?? char word[15];//关键字 ?? int number; //关键字被访问的次数 ??? PNODE next;//指向下一结点的指针 }; （2）?????? struct TABLE { ??? ? int prime;//哈希桶数 ??? ? PNODE * buckets;//指向结点指针的指针，可构成动态的指针数组 }; （3）?????? 图20-5??SYMBOLTABLE类图 (????数据成员 PSYMBOLTABLE? p; 哈希符号表指针。 int num; 被遍历的词数。 (????函数成员 SYMBOLTABLE(char *argv); 构造函数、创建哈希表。 ~SYMBOLTAB