基于哈希表的词频统计.docx
《基于哈希表的词频统计.docx》由会员分享，可在线阅读，更多相关《基于哈希表的词频统计.docx（11页珍藏版）》请在冰豆网上搜索。
基于哈希表的词频统计
本例可执行文件下载:
下载
本案例知识要点
● 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charword[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charword[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） 结构体 NODE
structNODE
{
charword[15];//关键字
intnumber;//关键字被访问的次数
PNODEnext;//指向下一结点的指针
};
（2） 结构体 TABLE
structTABLE
{
intprime;//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） SYMBOLTABLE类
图20-5 SYMBOLTABLE类图
● 数据成员
PSYMBOLTABLE p;
哈希符号表指针。
intnum;
被遍历的词数。
● 函数成员
SYMBOLTABLE（char*argv）;
构造函数、创建哈希表。
~SYMBOLTABLE（）
析构函数。
intHash（char*word）;
静态哈希函数，形参：
字符串，桶数。
返回桶的下标。
voidFindNode（char*s）;
形参：
结点指针，字符串。
在某一链中找到某词汇，若找到则词频数加1，且返回。
voidInsertIntoSymTbl（charname[20]）;
将词汇插入哈希表中。
voidSearchInSymTbl（char*argv）;
搜索某一词汇 。
voidTraverseSymTbl（char*argv）;
遍历哈希表。
voidQsort（PNODE*p,ints,intt）;
使用快速排序法。
2．主程序设计
在主函数中声明了一个SYMBOLTABLE类的对象，依次调用哈希表类的构造函数、统计函数、输出函数即可。
另外，为了记录程序的运行时间，包含了time头文件，调用clock函数，能精确到毫秒。
主程序有详细的注释，清晰易懂，流程图略。
四、案例实现
//*****************************************************************
//*source.h 类声明头文件
//*****************************************************************
#1 #ifndef_____SUPERMARKET_____ //防止头文件被多次包含
#2 #include
#3 #include
#4 typedefstructTABLE*PSYMBOLTABLE;//符号表构造函数，哈希符号表指针
#5 typedefstructNODE*PNODE; //结点指针
#6 structNODE
#7 {
#8 charword[15]; //关键字
#9 intnumber; //此词被访问的次数
#10 PNODEnext; //指向下一结点的指针
#11 };
#12 structTABLE
#13 {
#14 intprime; //哈希桶数
#15 PNODE*buckets; //指向结点指针的指针，可构成动态的指针数组
#16 };
#17 classSYMBOLTABLE
#18 {
#19 public:
#20 SYMBOLTABLE（char*argv）; //创建哈希表
#21 ~SYMBOLTABLE（）{}
#22 intHash（char*word）; //静态哈希函数，形参：
字符串，桶数
//返回桶的下标
#23 voidFindNode（char*s）; //形参：
结点指针，字符串
//功能:
在某一链中找到某词汇，若找到则词频数加1，且返回；
#24 voidInsertIntoSymTbl（charname[20]）;//将词表插入哈希表中
#25 voidSearchInSymTbl（char*argv）; //搜索某一词汇
#26 voidTraverseSymTbl（char*argv）; //遍历哈希表
#27 voidQsort（PNODE*p,ints,intt）; //使用快速排序法
#28 private:
#29 PSYMBOLTABLEp; //哈希符号表指针
#30 intnum; //被遍历的词数
#31 };
#32 SYMBOLTABLE:
:
SYMBOLTABLE（char*argv） //创建哈希表
#33 {
#34 ifstreamin（argv）;
#35 inti,n;
#36 chars[15];
#37 p=newstructTABLE; //建立哈希表
#38 p->prime=100000; //桶数
#39 num=0;
#40 p->buckets=newPNODE[p->prime]; //建立每个散列链
#41
#42 for（i=0;iprime;i++） //动态分布内存
#43 p->buckets[i]=NULL;
#44 for（i=0;i<100000;i++）
#45 {
#46 if（in.good（））
#47 {
#48 in.getline（s,16,'\n'）; //读入每个词
#49 s[strlen（s）]='\0';
#50 if（!
strcmp（s,"\0"））
#51 break;
#52 n=Hash（s）;
#53 InsertIntoSymTbl（s）; //将词表插入到哈希表中
#54 }
#55 else
#56 break;
#57 }
#58
升级会员 