17370845950

在处理文本数据时，我们经常会遇到需要在集合中统计特定元素出现频率的需求。当数据以键值对的形式存储在HashMap中，且值是包含文本的字符串时，我们可能需要统计某个特定单词在每个值中出现的次数，并根据这些计数来生成一个包含重复键的列表。

例如，假设我们有一个hashmap，其中键是记录id，值是包含句子的字符串。我们的目标是统计单词“car”在每个句子中出现的次数。如果键为5的句子中“car”出现了4次，那么最终的输出列表中，键5就应该出现4次。

问题分析与初步尝试

最初，我们可能会尝试使用String.contains()方法来判断一个单词是否存在。然而，contains()方法只能判断子字符串是否存在，无法精确匹配整个单词。例如，如果句子中包含“scar”或“carpet”，contains("car")也会返回true，但这并非我们期望的“car”单词。此外，contains()也无法直接提供单词的出现次数。

以下是使用contains()方法的原始尝试代码示例：

import java.util.ArrayList;
import java.util.HashMap;
import java.util.Map;

public class WordCounter {
    public static void main(String[] args) {
        Map carHashMap = new HashMap<>();
        ArrayList showCarsInMap = new ArrayList<>();

        carHashMap.put(1, "this car is very fast car");
        carHashMap.put(2, "i have a old car");
        carHashMap.put(3, "my first car was an mercedes and my second car was an audi");
        carHashMap.put(4, "today is a good day");
        carHashMap.put(5, "car car car car");

        for (Map.Entry entrySection : carHashMap.entrySet()) {
            if (entrySection.getValue().contains("car")) {
                showCarsInMap.add(entrySection.getKey());
            }
        }
        System.out.println("Car : " + showCarsInMap);
        // 实际输出: Car : [1, 2, 3, 5]
        // 期望输出: Car : [1, 1, 2, 3, 3, 5, 5, 5, 5]
    }
}

上述代码的输出结果Car : [1, 2, 3, 5]显然不符合预期，它只记录了包含“car”的键，而没有记录“car”出现的次数。

解决方案：利用Java正则表达式

为了精确匹配单词并统计其出现次数，Java的java.util.regex包提供了强大的支持。我们可以使用Pattern类编译正则表达式，然后使用Matcher类在目标字符串中查找所有匹配项。

核心思路是：

1. 定义一个正则表达式，确保它只匹配完整的单词“car”。
2. 遍历HashMap中的每个条目。
3. 对每个条目的值（字符串）创建一个Matcher对象。
4. 使用matcher.find()方法循环查找所有匹配项，每找到一个匹配项，就将当前条目的键添加到结果列表中。

精确匹配单词的正则表达式

要匹配一个完整的单词，我们需要考虑单词边界。一个单词可能出现在字符串的开头、结尾，或者被非单词字符（如空格、标点符号）包围。正则表达式元字符\b能够很好地处理这些情况：

• \b：匹配一个单词字符（\w，即字母、数字、下划线）和非单词字符（\W）之间的边界，或者字符串的开头/结尾。 因此，\bcar\b这个正则表达式将精确匹配作为独立单词出现的“car”。

完整的实现代码

import java.util.ArrayList;
import java.util.HashMap;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class WordCounterAccurate {
    public static void main(String[] args) {
        Map carHashMap = new HashMap<>();
        ArrayList showCarsInMap = new ArrayList<>();

        carHashMap.put(1, "this car is very fast car");
        carHashMap.put(2, "i have a old car");
        carHashMap.put(3, "my first car was an mercedes and my second car was an audi");
        carHashMap.put(4, "today is a good day");
        carHashMap.put(5, "car car car car");
        carHashMap.put(6, "The carpool lane is for cars."); // 额外测试用例，"cars"不应匹配"car"

        // 编译正则表达式，匹配完整的“car”单词
        Pattern p = Pattern.compile("\\bcar\\b"); // 使用\b进行单词边界匹配

        for (Map.Entry entrySection : carHashMap.entrySet()) {
            Matcher m = p.matcher(entrySection.getValue());
            // 循环查找所有匹配项
            while (m.find()) {
                showCarsInMap.add(entrySection.getKey());
            }
        }

        System.out.println("Car : " + showCarsInMap);
        // 实际输出: Car : [1, 1, 2, 3, 3, 5, 5, 5, 5]
    }
}

代码解析：

1. Pattern p = Pattern.compile("\\bcar\\b");：这里我们使用了简洁且标准的单词边界元字符\b来编译正则表达式。
2. Matcher m = p.matcher(entrySection.getValue());：为当前HashMap条目的值（字符串）创建一个Matcher对象。
3. while (m.find())：这个循环是关键。m.find()尝试在输入序列中查找下一个匹配序列。如果找到，它返回true并更新Matcher的状态，以便下一次调用从上次匹配结束的位置开始搜索。只要能找到“car”的匹配项，循环就会继续执行。
4. showCarsInMap.add(entrySection.getKey());：每当m.find()成功找到一个“car”的匹配项时，就将当前的键（entrySection.getKey()）添加到showCarsInMap列表中。这样，如果一个键对应的字符串中有N个“car”，该键就会被添加N次。

注意事项与最佳实践

• 性能优化： 在循环外部编译Pattern对象（Pattern p = Pattern.compile(...)）是最佳实践。如果将Pattern.compile()放在循环内部，每次迭代都会重新编译正则表达式，这将导致显著的性能开销，尤其是在处理大量数据时。
• 大小写敏感性： 默认情况下，正则表达式是大小写敏感的。如果需要进行不区分大小写的匹配（例如，匹配“car”、“Car”和“CAR”），可以在编译Pattern时添加Pattern.CASE_INSENSITIVE标志： Pattern p = Pattern.compile("\\bcar\\b", Pattern.CASE_INSENSITIVE);
• 单词定义： \b元字符基于\w（字母、数字、下划线）和\W（非字母、数字、下划线）的转换来定义单词边界。如果你的“单词”定义包含其他字符（如连字符），则可能需要调整正则表达式。例如，如果“car-door”中的“car”也算一个单词，\bcar\b可能无法匹配，需要更复杂的模式。
• 多线程环境： Pattern对象是线程安全的，但Matcher对象不是。如果要在多线程环境中使用，每个线程都应该创建自己的Matcher实例。

总结

通过本教程，我们学习了如何利用Java的正则表达式功能，在HashMap中精确统计特定单词的出现频率，并根据计数重复输出对应的键。相较于简单的contains()方法，正则表达式提供了更强大、更灵活的文本匹配能力，是处理复杂字符串模式的理想选择。掌握Pattern和Matcher的使用，将极大地提升你在Java中处理文本数据的能力。