简单的词频统计代码实现(PDF格式)

 周末抽空帮同学论文写了一段统计词频的代码,做个简单总结。出于职业病,代码使用Springboot+Maven搭建,面向抽象编程,并通过web请求控制执行。

  • 依赖配置
    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>

        <dependency>
            <groupId>org.projectlombok</groupId>
            <artifactId>lombok</artifactId>
            <optional>true</optional>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
            <exclusions>
                <exclusion>
                    <groupId>org.junit.vintage</groupId>
                    <artifactId>junit-vintage-engine</artifactId>
                </exclusion>
            </exclusions>
        </dependency>

        <!-- https://mvnrepository.com/artifact/org.apache.pdfbox/pdfbox -->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.18</version>
        </dependency>

        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
        </dependency>

        <dependency>
            <groupId>org.ansj</groupId>
            <artifactId>ansj_seg</artifactId>
            <version>5.1.1</version>
        </dependency>
    </dependencies>
  • 递归遍历文件夹(这么简单的代码面试居然忘了怎么写,狂扇自己ing),读取所有需要统计词频的文件。
  • 出于方便考量,文件夹的根路径和需要统计的关键词都放在该类中维护 ,代码:
package com.zz.jxh.utils;

import java.io.File;
import java.util.ArrayList;
import java.util.List;

/**
 * @Author: zhouzhen
 * @email: zhouzhen0517@foxmail.com
 * @Description
 * @Date: Create in 13:11 2020/4/25
 */
public class ScanningFiles {

    public static List<String> filelists = new ArrayList<>();

    public static final String ROOT_FILE_PATH = "E:\\WeChat Files\\megumi_ka_to\\FileStorage\\File\\2020-04\\样本文件";

    public static final String[] KEYWORDS = {"营业收入","商誉减值准备","应收账款","存货","关联关系","毛利率","行业平均","变动趋势","年审会计师","会计准则"};

    public static List<String> getfiles(String filepath) {

        File root = new File(filepath);

        File[] files = root.listFiles();

        for(File file : files) {
            //如果是目录,递归调用
            if(file.isDirectory()) {
                getfiles(file.getAbsolutePath());
            } else {
                filelists.add(file.getAbsolutePath());
            }
        }
        return filelists;
    }
}
  • 创建Service接口和实现,Service层提供两个方法,传入文件路径,获取内容和传入内容和关键词,获取词频。
  • pdf解析被单独抽离成了一个方法getTextFromPdf。
  • 接口:
package com.zz.jxh.service;

import java.util.Map;

/**
 * @Author: zhouzhen
 * @email: zhouzhen0517@foxmail.com
 * @Description
 * @Date: Create in 12:38 2020/4/25
 */
public interface JxhService {

    String getFile(String filepath) throws Exception;

    Map WordFrequencyStatistics(String content, String[] keywords);

}
  • 实现
package com.zz.jxh.service.impl;

import com.zz.jxh.service.JxhService;
import lombok.extern.slf4j.Slf4j;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;
import org.springframework.stereotype.Service;
import org.springframework.util.StringUtils;

import java.io.File;
import java.util.HashMap;
import java.util.Map;

/**
 * @Author: zhouzhen
 * @email: zhouzhen0517@foxmail.com
 * @Description
 * @Date: Create in 12:43 2020/4/25
 */
@Service
@Slf4j
public class JxhServiceImpl implements JxhService {
    @Override
    public String getFile(String filepath) throws Exception {
        String content = getTextFromPdf(filepath);
        if(StringUtils.isEmpty(content)) {
            throw new Exception("读取内容为空,请确认文件" + filepath);
        }
        return content;
    }

    @Override
    public Map WordFrequencyStatistics(String content, String[] keywords) {
        Map<String, Integer> map = new HashMap<>();
        Map<String, Object> map1 = new HashMap<>();
        String title = getTitle(content);
        log.info("正在处理" + title);
        for(String keyword : keywords) {
            //当前keyword出现频率
            int times = 0;
            //当前索引位置
            int index;
            //下一次查找开始位置
            int next = 0;
            //当index=-1时,不存在keyword,查找结束
            while((index = content.indexOf(keyword, next)) != -1) {
                times++;
                next = index + keyword.length();
            }
            map.put(keyword, times);
        }
        map1.put("标题",title);
        map1.put("词频统计",map);
        return map1;
    }

    private String getTitle(String content) {

        StringBuffer stringBuffer = new StringBuffer(content);
        int start = stringBuffer.indexOf("关于");
        int end = stringBuffer.indexOf("问询函") + "问询函".length();
        return stringBuffer.substring(start, end);
    }

    /**
     * @param pdfFilePath
     * @return java.lang.String
     * @author zhouzhen
     * @Description 传入文件路径,返回对应的pdf内容
     * @date 2020/4/25 13:35
     */
    private String getTextFromPdf(String pdfFilePath) {
        try {
            File file = new File(pdfFilePath);
            PDDocument document = PDDocument.load(file);
            document.getClass();
            if(!document.isEncrypted()) {
                PDFTextStripperByArea stripper = new PDFTextStripperByArea();
                stripper.setSortByPosition(true);
                PDFTextStripper textStripper = new PDFTextStripper();
                String exposeContent = textStripper.getText(document);
                exposeContent = exposeContent.replace("\r\n", "");
                exposeContent = exposeContent.replace(" ", "");
                document.close();
                return exposeContent;
            }

        } catch(Exception e) {
            log.error("读取pdf文件异常...");
        }
        return "";
    }


}

  • 控制器
package com.zz.jxh.controller;

import com.zz.jxh.service.JxhService;
import com.zz.jxh.utils.ScanningFiles;
import lombok.extern.slf4j.Slf4j;
import org.springframework.http.ResponseEntity;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

import javax.annotation.Resource;
import java.util.HashMap;
import java.util.Map;

/**
 * @Author: zhouzhen
 * @email: zhouzhen0517@foxmail.com
 * @Description
 * @Date: Create in 13:36 2020/4/25
 */
@RestController
@Slf4j
@RequestMapping("/start")
public class TestController {

    @Resource
    private JxhService jxhService;

    @GetMapping("/run")
    public ResponseEntity startMain() throws Exception {

        Map<String, Map> maps = new HashMap<>();

        ScanningFiles.getfiles(ScanningFiles.ROOT_FILE_PATH);

        for(String filename : ScanningFiles.filelists) {
            String content = jxhService.getFile(filename);
            maps.put(filename, jxhService.WordFrequencyStatistics(content, ScanningFiles.KEYWORDS));
        }

        return ResponseEntity.ok(maps);
    }

}

TIPS:其他格式的文件需要修改解析方法getTextFromPdf

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,802评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,109评论 2 379
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,683评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,458评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,452评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,505评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,901评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,550评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,763评论 1 296
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,556评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,629评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,330评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,898评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,897评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,140评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,807评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,339评论 2 342

推荐阅读更多精彩内容