Удаление стоп-слов из строки в Java
у меня есть строка с большим количеством слов и у меня есть текстовый файл, который содержит стоп-слова, которые мне нужно удалить из моей строки. Допустим у меня есть строка
s="I love this phone, its super fast and there's so much new and cool things with jelly bean....but of recently I've seen some bugs."
после удаления стоп-слов строка должна быть такой:
"love phone, super fast much cool jelly bean....but recently bugs."
я смог достичь этого, но проблема, с которой я сталкиваюсь, заключается в том, что whenver есть соседние стоп-слова в строке его удаление только первого, и я получаю результат как :
"love phone, super fast there's much and cool with jelly bean....but recently seen bugs"
вот мой stopwordslist.txt-файл : стоп
как я могу решить эту проблему. Вот что я сделал до сих пор :
int k=0,i,j;
ArrayList<String> wordsList = new ArrayList<String>();
String sCurrentLine;
String[] stopwords = new String[2000];
try{
FileReader fr=new FileReader("F:stopwordslist.txt");
BufferedReader br= new BufferedReader(fr);
while ((sCurrentLine = br.readLine()) != null){
stopwords[k]=sCurrentLine;
k++;
}
String s="I love this phone, its super fast and there's so much new and cool things with jelly bean....but of recently I've seen some bugs.";
StringBuilder builder = new StringBuilder(s);
String[] words = builder.toString().split("s");
for (String word : words){
wordsList.add(word);
}
for(int ii = 0; ii < wordsList.size(); ii++){
for(int jj = 0; jj < k; jj++){
if(stopwords[jj].contains(wordsList.get(ii).toLowerCase())){
wordsList.remove(ii);
break;
}
}
}
for (String str : wordsList){
System.out.print(str+" ");
}
}catch(Exception ex){
System.out.println(ex);
}
10 ответов
ошибка заключается в том, что вы удаляете элемент из списка, который вы повторяете.
Пусть говорит у вас wordsList
, содержащую |word0|word1|word2|
Если ii
равна 1
и если тест верно, то вы называете wordsList.remove(1);
. После этого ваш список |word0|word2|
. ii
затем увеличивается и равна 2
и теперь это выше размера вашего списка, следовательно word2
никогда не будет испытана.
оттуда есть несколько решений. Например, вместо удаления значений можно задать значение "". Или создать специальный список "результат".
попробуйте программу ниже.
String s="I love this phone, its super fast and there's so" +
" much new and cool things with jelly bean....but of recently I've seen some bugs.";
String[] words = s.split(" ");
ArrayList<String> wordsList = new ArrayList<String>();
Set<String> stopWordsSet = new HashSet<String>();
stopWordsSet.add("I");
stopWordsSet.add("THIS");
stopWordsSet.add("AND");
stopWordsSet.add("THERE'S");
for(String word : words)
{
String wordCompare = word.toUpperCase();
if(!stopWordsSet.contains(wordCompare))
{
wordsList.add(word);
}
}
for (String str : wordsList){
System.out.print(str+" ");
}
выход: любовь телефон, его супер быстро так много новых интересных вещей с jelly bean....но в последнее время я видел некоторые ошибки.
Это гораздо более элегантное решение (IMHO), использующее только регулярные выражения:
// instead of the ".....", add all your stopwords, separated by "|"
// "\b" is to account for word boundaries, i.e. not replace "his" in "this"
// the "\s?" is to suppress optional trailing white space
Pattern p = Pattern.compile("\b(I|this|its.....)\b\s?");
Matcher m = p.matcher("I love this phone, its super fast and there's so much new and cool things with jelly bean....but of recently I've seen some bugs.");
String s = m.replaceAll("");
System.out.println(s);
вы можете использовать заменить все функции такой
String yourString ="I love this phone, its super fast and there's so much new and cool things with jelly bean....but of recently I've seen some bugs."
yourString=yourString.replaceAll("stop" ,"");
вместо этого почему бы вам не использовать ниже подход. Будет легче читать и понимать :
for(String word : words){
s = s.replace(word+"\s*", "");
}
System.out.println(s);//It will print removed word string.
вот попробуйте следующим образом:
String s="I love this phone, its super fast and there's so much new and cool things with jelly bean....but of recently I've seen some bugs.";
String stopWords[]={"love","this","cool"};
for(int i=0;i<stopWords.length;i++){
if(s.contains(stopWords[i])){
s=s.replaceAll(stopWords[i]+"\s+", ""); //note this will remove spaces at the end
}
}
System.out.println(s);
таким образом, конечный результат будет без слов, которые вы не хотите в нем. Просто получите список стоп-слов в массиве и замените в требуемой строке.
вывод для моих стоп-слов:
I phone, its super fast and there's so much new and things with jelly bean....but of recently I've seen some bugs.
попробуйте использовать replaceAll api строки, как:
String myString = "I love this phone, its super fast and there's so much new and cool things with jelly bean....but of recently I've seen some bugs.";
String stopWords = "I|its|with|but";
String afterStopWords = myString.replaceAll("(" + stopWords + ")\s*", "");
System.out.println(afterStopWords);
OUTPUT:
love this phone, super fast and there's so much new and cool things jelly bean....of recently 've seen some bugs.
попробуйте сохранить стоп-слова в коллекции наборов,а затем обозначить строку в списке. После этого вы можете просто использовать "removeAll", чтобы получить результат.
Set<String> stopwords = new Set<>()
//fill in the set with your file
String s="I love this phone, its super fast and there's so much new and cool things with jelly bean....but of recently I've seen some bugs.";
List<String> listOfStrings = asList(s.split(" "));
listOfStrings.removeAll(stopwords);
StringUtils.join(listOfStrings, " ");
нет для необходимых циклов - они обычно означают проблемы.
кажется, что вы делаете остановку одно стоп-слово удаляется в предложении перейти к другому стоп-слову: вам нужно удалить все стоп-слова в каждом предложении.
вы должны попробовать изменить свой код:
From:
for(int ii = 0; ii < wordsList.size(); ii++){
for(int jj = 0; jj < k; jj++){
if(stopwords[jj].contains(wordsList.get(ii).toLowerCase())){
wordsList.remove(ii);
break;
}
}
}
к чему-то вроде:
for(int ii = 0; ii < wordsList.size(); ii++)
{
for(int jj = 0; jj < k; jj++)
{
if(wordsList.get(ii).toLowerCase().contains(stopwords[jj])
{
wordsList.remove(ii);
}
}
}
отметим, что break
удаляется и stopword.contains(word)
изменено на word.contains(stopword)
.
недавно один из проектов требовал функциональности для фильтрации остановки / stemm и ругательств из данного текста или файла после прохождения нескольких блогов и записей. создана простая библиотека для фильтрации данных / файлов и доступна в maven. надеюсь, это кому-то поможет.
https://github.com/uttesh/exude
<dependency>
<groupId>com.uttesh</groupId>
<artifactId>exude</artifactId>
<version>0.0.2</version>
</dependency>