Java中根据首字段删除文本数据重复行的策略与实现-java教程-PHP中文网

Java中根据首字段删除文本数据重复行的策略与实现

霞舞

发布： 2025-12-03 15:48:36

原创

778人浏览过

Java中根据首字段删除文本数据重复行的策略与实现

本教程详细阐述了在java中如何高效地从文本数据中删除基于首字段重复的整行记录。文章提供了两种核心策略：一是利用java stream api的`collectors.tomap`直接处理字符串列表，通过自定义键映射和合并函数实现去重；二是引入领域对象（如`company`类）来封装数据，提高代码可读性和可维护性，并结合stream api进行去重。教程包含示例代码、注意事项及最佳实践，旨在帮助开发者选择合适的去重方案。

在处理文本数据时，经常会遇到需要根据记录中的特定字段来识别并删除重复行的情况。例如，在一个包含公司信息的文本文件中，我们可能希望根据公司的唯一标识符（如ID）来确保每家公司只保留一条记录，即使其他字段有所不同。本教程将探讨两种在Java中实现这一目标的有效方法。

1. 使用Java Stream API直接处理字符串列表

当数据以字符串列表的形式存在时，我们可以利用Java 8引入的Stream API及其强大的Collectors.toMap()方法来实现基于首字段的去重。这种方法简洁高效，适用于快速处理。

核心原理

Collectors.toMap()允许我们指定如何从流中的元素生成键（keyMapper）和值（valueMapper）。更重要的是，它提供了一个mergeFunction来处理当多个元素生成相同的键时如何合并这些值。通过将行的第一个字段作为键，整行作为值，并指定在键冲突时保留第一个遇到的值，即可实现去重。

示例代码

假设我们有一个包含公司信息的字符串列表，每行以逗号分隔，第一个字段是公司ID。

立即学习“Java免费学习笔记（深入）”；

import java.util.List;
import java.util.function.Function;
import java.util.stream.Collectors;

public class DuplicateRowRemover {

    public static void main(String[] args) {
        List<String> sourceList = List.of(
            "123456,greenwitch street,near dominos store,Opp sandwitch company,Neyork,US,876890",
            "123480,Postwitch street,near KFC store,Opp masala company,Newyork,US,876891",
            "123456,Newyork street,near 100th avenue,King master company,Texas,US,10005"
        );

        List<String> uniqueList = sourceList.stream()
            .collect(Collectors.toMap(
                str -> str.substring(0, str.indexOf(',')), // keyMapper: 提取第一个逗号前的子字符串作为键
                Function.identity(),                       // valueMapper: 整行字符串作为值
                (existing, replacement) -> existing        // mergeFunction: 当键重复时，保留已存在的（即第一个遇到的）值
            ))
            .values()                                      // 获取Map中所有的值（即去重后的行）
            .stream()
            .toList();                                     // 转换为List

        System.out.println("去重后的字符串列表:");
        uniqueList.forEach(System.out::println);
        // 预期输出:
        // 123456,greenwitch street,near dominos store,Opp sandwitch company,Neyork,US,876890
        // 123480,Postwitch street,near KFC store,Opp masala company,Newyork,US,876891
    }
}

登录后复制

在上述代码中：

Codeium

一个免费的AI代码自动完成和搜索工具

228

查看详情

keyMapper (str -> str.substring(0, str.indexOf(',')))：通过查找第一个逗号的位置来截取字符串的第一个字段，将其作为Map的键。
valueMapper (Function.identity())：将原始的完整字符串作为Map的值。
mergeFunction ((existing, replacement) -> existing)：这是处理重复键的关键。当遇到相同的键时，此函数决定保留哪个值。此处我们选择保留existing（即Map中已有的值），这意味着对于相同的公司ID，我们总是保留第一次出现的完整行。

2. 引入领域对象提升代码可维护性与可读性

尽管直接处理字符串列表对于简单场景很有效，但在更复杂的应用中，将文本数据解析成具体的领域对象（如Company类）会大大提高代码的可读性、可维护性和类型安全性。

创建领域对象

首先，定义一个POJO（Plain Old Java Object）来表示文本文件中的每一行数据。为了简洁，这里使用Lombok的@Getter和@Builder注解，但也可以使用标准的Java Getter和构造器。

import lombok.Builder;
import lombok.Getter;

@Builder
@Getter
public class Company {
    private long id;
    private String street;
    private String locationDescription;
    private String companyName;
    private String state;
    private String country;
    private String zipCode;

    // 静态方法，用于将字符串行解析为Company对象
    public static Company parse(String line) {
        String[] arr = line.split(",");
        if (arr.length < 7) {
            throw new IllegalArgumentException("Invalid line format: " + line);
        }
        return Company.builder()
            .id(Long.parseLong(arr[0]))
            .street(arr[1]) // 假设所有字段都有用
            .locationDescription(arr[2])
            .companyName(arr[3])
            .state(arr[4])
            .country(arr[5])
            .zipCode(arr[6])
            .build();
    }

    @Override
    public String toString() {
        return id + "," + street + "," + locationDescription + "," + companyName + "," + state + "," + country + "," + zipCode;
    }
}

登录后复制

使用领域对象进行去重

有了Company对象后，我们可以先将字符串列表映射成Company对象的流，然后再使用Collectors.toMap()进行去重。

import java.util.List;
import java.util.function.Function;
import java.util.stream.Collectors;

public class CompanyDuplicateRemover {

    public static void main(String[] args) {
        List<String> sourceList = List.of(
            "123456,greenwitch street,near dominos store,Opp sandwitch company,Neyork,US,876890",
            "123480,Postwitch street,near KFC store,Opp masala company,Newyork,US,876891",
            "123456,Newyork street,near 100th avenue,King master company,Texas,US,10005"
        );

        List<Company> uniqueCompanies = sourceList.stream()
            .map(Company::parse)                           // 将每行字符串解析为Company对象
            .collect(Collectors.toMap(
                Company::getId,                            // keyMapper: 使用Company对象的ID作为键
                Function.identity(),                       // valueMapper: Company对象本身作为值
                (existing, replacement) -> existing        // mergeFunction: 当ID重复时，保留已存在的Company对象
            ))
            .values()                                      // 获取Map中所有的Company对象
            .stream()
            .toList();                                     // 转换为List

        System.out.println("去重后的Company对象列表:");
        uniqueCompanies.forEach(System.out::println);
        // 预期输出 (Company的toString方法):
        // 123456,greenwitch street,near dominos store,Opp sandwitch company,Neyork,US,876890
        // 123480,Postwitch street,near KFC store,Opp masala company,Newyork,US,876891
    }
}

登录后复制

这种方法的核心优势在于：

类型安全：操作的是强类型对象，而非原始字符串。
可读性强：代码意图更清晰，Company::getId比str -> str.substring(0, str.indexOf(','))更直观。
易于扩展：如果未来需要对公司数据进行更多操作（如修改、筛选），直接操作对象比字符串解析更方便。

注意事项与最佳实践

文件读取与写入：上述示例是基于内存中的List<String>。在实际应用中，您需要从文本文件读取数据到List<String>，并在去重后将uniqueList或uniqueCompanies写入新的文件或更新原文件。
```
// 示例：从文件读取
// List<String> allLines = Files.readAllLines(Paths.get("your_file.txt"), StandardCharsets.UTF_8);
//
// 示例：写入文件
// Files.write(Paths.get("unique_records.txt"), uniqueList, StandardCharsets.UTF_8);
```
登录后复制
错误处理：
- str.indexOf(',')如果字符串中没有逗号，会返回-1，导致substring抛出IndexOutOfBoundsException。
- Long.parseLong(arr[0])如果字符串不是有效的数字，会抛出NumberFormatException。
- Company.parse方法中需要考虑数组越界问题（arr.length）。在生产代码中，应加入适当的try-catch块或使用Optional来处理这些潜在的异常情况。
mergeFunction的选择：
- (existing, replacement) -> existing：保留第一个遇到的记录。
- (existing, replacement) -> replacement：保留最后一个遇到的记录。您的业务逻辑将决定应该保留哪个重复项。
性能考量：对于非常大的文件（GB级别），将所有内容一次性加载到内存中可能会导致内存溢出。在这种情况下，可以考虑以下策略：
- 逐行处理：使用BufferedReader逐行读取，并将去重逻辑（如使用HashSet<String>存储已处理的ID）应用于每一行。
- 外部排序/归并：对于无法完全加载到内存的数据，可以考虑使用外部排序算法，将数据分块处理，排序后相邻的重复行会在一起，方便删除。
- 数据库：如果数据量巨大且需要复杂的查询，将数据导入数据库可能是更好的选择，利用数据库的唯一索引和去重功能。
distinct()与toMap()的区别：
- stream().distinct()方法是基于对象的equals()和hashCode()方法来判断重复的。如果您的需求是判断整个字符串对象是否完全相同，那么distinct()是合适的。
- 但本教程的需求是根据部分字段（首字段）来判断重复，此时distinct()就不适用，因为即使首字段相同，如果其他字段不同，equals()方法仍会认为它们是不同的对象。因此，Collectors.toMap()是解决这类问题的正确选择。

总结

本文介绍了在Java中根据文本数据首字段删除重复行的两种主要方法：直接使用Stream API的Collectors.toMap()处理字符串，以及通过引入领域对象来提高代码质量。选择哪种方法取决于您的具体需求：对于简单的、一次性的任务，直接处理字符串可能更快捷；而对于需要长期维护、业务逻辑复杂的应用，使用领域对象无疑是更健壮、更可维护的方案。无论选择哪种方法，都应充分考虑错误处理、性能优化和业务逻辑中对重复项的保留策略。

以上就是Java中根据首字段删除文本数据重复行的策略与实现的详细内容，更多请关注php中文网其它相关文章！