All Downloads are FREE. Search and download functionalities are using the official Maven repository.

com.xiaoleilu.hutool.dfa.WordTree Maven / Gradle / Ivy

package com.xiaoleilu.hutool.dfa;
import java.util.ArrayList;
import java.util.Collection;
import java.util.HashMap;
import java.util.HashSet;
import java.util.List;
import java.util.Set;

import com.xiaoleilu.hutool.collection.CollectionUtil;
import com.xiaoleilu.hutool.util.StrUtil;

/**
 * DFA(Deterministic Finite Automaton 确定有穷自动机)
 * DFA单词树(以下简称单词树),常用于在某大段文字中快速查找某几个关键词是否存在。
* 单词树使用group区分不同的关键字集合,不同的分组可以共享树枝,避免重复建树。
* 单词树使用树状结构表示一组单词。
* 例如:红领巾,红河构建树后为:
* 红
* / \
* 领 河
* /
* 巾
*其中每个节点都是一个WordTree对象,查找时从上向下查找。
* @author Looly * */ public class WordTree extends HashMap{ private static final long serialVersionUID = -4646423269465809276L; /** * 敏感词字符末尾标识,用于标识单词末尾字符 */ private Set endCharacterSet = new HashSet<>(); //--------------------------------------------------------------------------------------- Constructor start /** * 默认构造 */ public WordTree() { } //--------------------------------------------------------------------------------------- Constructor start //------------------------------------------------------------------------------- add word /** * 增加一组单词 * @param words 单词集合 */ public void addWords(Collection words){ if(false == (words instanceof Set)){ words = new HashSet<>(words); } for (String word : words) { addWord(word); } } /** * 增加一组单词 * @param words 单词数组 */ public void addWords(String... words){ HashSet wordsSet = CollectionUtil.newHashSet(words); for (String word : wordsSet) { addWord(word); } } /** * 添加单词,使用默认类型 * @param word 单词 */ public void addWord(String word) { WordTree parent = null; WordTree current = this; WordTree child; char currentChar = 0; int length = word.length(); for(int i = 0; i < length; i++){ currentChar = word.charAt(i); if(false == StopChar.isStopChar(currentChar)){//只处理合法字符 child = current.get(currentChar); if(child == null){ //无子类,新建一个子节点后存放下一个字符 child = new WordTree(); current.put(currentChar, child); } parent = current; current = child; } } if(null != parent){ parent.setEnd(currentChar); } } //------------------------------------------------------------------------------- match /** * 指定文本是否包含树中的词 * @param text 被检查的文本 * @return 是否包含 */ public boolean isMatch(String text){ if(null == text){ return false; } return null != match(text); } /** * 获得第一个匹配的关键字 * @param text 被检查的文本 * @return 匹配到的关键字 */ public String match(String text){ if(null == text){ return null; } List matchAll = matchAll(text, 1); if(CollectionUtil.isNotEmpty(matchAll)){ return matchAll.get(0); } return null; } //------------------------------------------------------------------------------- match all /** * 找出所有匹配的关键字 * @param text 被检查的文本 * @return 匹配的词列表 */ public List matchAll(String text) { return matchAll(text, -1); } /** * 找出所有匹配的关键字 * @param text 被检查的文本 * @param limit 限制匹配个数 * @return 匹配的词列表 */ public List matchAll(String text, int limit) { return matchAll(text, limit, false, false); } /** * 找出所有匹配的关键字
* 密集匹配原则:假如关键词有 ab,b,文本是abab,将匹配 [ab,b,ab]
* 贪婪匹配(最长匹配)原则:假如关键字a,ab,最长匹配将匹配[a, ab] * * @param text 被检查的文本 * @param limit 限制匹配个数 * @param isDensityMatch 是否使用密集匹配原则 * @param isGreedMatch 是否使用贪婪匹配(最长匹配)原则 * @return 匹配的词列表 */ public List matchAll(String text, int limit, boolean isDensityMatch, boolean isGreedMatch) { if(null == text){ return null; } List findedWords = new ArrayList(); WordTree current = this; int length = text.length(); StringBuilder wordBuffer;//存放查找到的字符缓存。完整出现一个词时加到findedWords中,否则清空 char currentChar; for (int i = 0; i < length; i++) { wordBuffer = StrUtil.builder(); for (int j = i; j < length; j++) { currentChar = text.charAt(j); // Console.log("i: {}, j: {}, currentChar: {}", i, j, currentChar); if(StopChar.isStopChar(currentChar)){ if(wordBuffer.length() > 0){ //做为关键词中间的停顿词被当作关键词的一部分被返回 wordBuffer.append(currentChar); }else{ //停顿词做为关键词的第一个字符时需要跳过 i++; } continue; }else if(false == current.containsKey(currentChar)){ //非关键字符被整体略过,重新以下个字符开始检查 break; } wordBuffer.append(currentChar); if(current.isEnd(currentChar)){ //到达单词末尾,关键词成立,从此词的下一个位置开始查找 findedWords.add(wordBuffer.toString()); if(limit > 0 && findedWords.size() >= limit){ //超过匹配限制个数,直接返回 return findedWords; } if(false == isDensityMatch){ //如果非密度匹配,跳过匹配到的词 i = j; } if(false == isGreedMatch){ //如果懒惰匹配(非贪婪匹配)。当遇到第一个结尾标记就结束本轮匹配 break; } } current = current.get(currentChar); if(null == current){ break; } } current = this; } return findedWords; } //--------------------------------------------------------------------------------------- Private method start /** * 是否末尾 * @param c 检查的字符 * @return 是否末尾 */ private boolean isEnd(Character c){ return this.endCharacterSet.contains(c); } /** * 设置是否到达末尾 * @param c 设置结尾的字符 */ private void setEnd(Character c){ if(null != c){ this.endCharacterSet.add(c); } } //--------------------------------------------------------------------------------------- Private method end }




© 2015 - 2024 Weber Informatics LLC | Privacy Policy