问题阐述
在java开发中，我们有时会遇到这样的场景：有一个hashmap<integer, string>，其中键是整数标识，值是包含文本的字符串（例如句子）。我们的目标是统计某个特定单词（例如"car"）在每个字符串值中出现的频率。更进一步的要求是，如果某个键对应的字符串中目标单词出现了n次，那么这个键就应该在结果列表中被记录n次。
例如，如果键5对应的字符串是"car car car car"，那么在最终结果列表中，5应该出现4次。
初始的尝试可能如下所示，它使用String.contains()方法来检查单词是否存在：
import java.util.ArrayList;
import java.util.HashMap;
import java.util.Map;
public class WordCounterInitial {
public static void main(String[] args) {
Map<Integer, String> carHashMap = new HashMap<>();
ArrayList<Integer> showCarsInMap = new ArrayList<>();
carHashMap.put(1, "this car is very fast car");
carHashMap.put(2, "i have a old car");
carHashMap.put(3, "my first car was an mercedes and my second car was an audi");
carHashMap.put(4, "today is a good day");
carHashMap.put(5, "car car car car");
for (Map.Entry<Integer, String> entrySection : carHashMap.entrySet()) {
if (entrySection.getValue().contains("car")) {
showCarsInMap.add(entrySection.getKey());
}
}
System.out.println("Car : " + showCarsInMap);
// 实际输出: Car : [1, 2, 3, 5]
// 期望输出: Car : [1, 1, 2, 3, 3, 5, 5, 5, 5]
}
}上述代码的局限性在于contains()方法只能判断字符串是否包含某个子串，而无法统计其出现的次数。因此，无论"car"在一个字符串中出现一次还是多次，对应的键都只会被添加一次，这不符合我们的需求。
解决方案：利用正则表达式
为了精确统计单词的出现次数，并处理单词边界（例如"cars"中的"car"不应被计入），我们可以利用Java的java.util.regex包，它提供了强大的正则表达式匹配功能。
立即学习“Java免费学习笔记（深入）”；
核心思路是：
- 定义一个正则表达式模式，该模式能精确匹配整个目标单词。
- 对HashMap中的每个字符串值，创建一个Matcher对象。
- 使用Matcher.find()方法循环查找所有匹配项，每找到一个匹配项，就将当前键添加到结果列表中。
核心代码片段
import java.util.ArrayList;
import java.util.HashMap;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class WordCounterRegex {
public static void main(String[] args) {
Map<Integer, String> carHashMap = new HashMap<>();
ArrayList<Integer> showCarsInMap = new ArrayList<>();
carHashMap.put(1, "this car is very fast car");
carHashMap.put(2, "i have a old car");
carHashMap.put(3, "my first car was an mercedes and my second car was an audi");
carHashMap.put(4, "today is a good day");
carHashMap.put(5, "car car car car");
// 遍历HashMap的每一个条目
for (Map.Entry<Integer, String> entrySection : carHashMap.entrySet()) {
// 定义正则表达式模式，用于精确匹配整个单词"car"
// (?:^|\W) 匹配字符串开头或非单词字符（如空格、标点符号）
// car 匹配目标单词
// (?:$|\W) 匹配字符串结尾或非单词字符
Pattern p = Pattern.compile("(?:^|\W)car(?:$|\W)");
Matcher m = p.matcher(entrySection.getValue());
// 循环查找所有匹配项
while (m.find()) {
// 每找到一个匹配，就将当前键添加到列表中
showCarsInMap.add(entrySection.getKey());
}
}
System.out.println("Car : " + showCarsInMap);
// 预期输出: Car : [1, 1, 2, 3, 3, 5, 5, 5, 5]
}
}正则表达式解析
Pattern.compile("(?:^|\W)car(?:$|\W)") 是实现精确匹配的关键：
- car: 这是我们要查找的目标单词。
- (?:...): 这是一个非捕获组。它将括号内的模式作为一个整体进行匹配，但不会将匹配到的内容存储起来供后续引用，从而提高效率。
- ^: 匹配字符串的开头。
- $: 匹配字符串的结尾。
- \W: 匹配任何非单词字符。单词字符包括字母、数字和下划线 ([a-zA-Z0-9_])。因此，\W 会匹配空格、标点符号等。
- |: 逻辑或操作符，表示匹配|左边或右边的任何一个模式。
结合起来：
- (?:^|\W)：表示单词"car"的前面必须是字符串的开头或者一个非单词字符。这确保了我们不会匹配到像"cars"、"racingcar"等单词中的"car"部分。
- (?:$|\W)：表示单词"car"的后面必须是字符串的结尾或者一个非单词字符。这同样确保了只匹配独立的"car"单词。
通过这种方式，我们可以确保只有完整的、独立的"car"单词才会被计数。
注意事项与扩展
-
大小写不敏感匹配: 如果需要进行大小写不敏感的匹配，可以在编译Pattern时添加Pattern.CASE_INSENSITIVE标志：
Pattern p = Pattern.compile("(?:^|\W)car(?:$|\W)", Pattern.CASE_INSENSITIVE);这样，"Car"、"car"、"CAR"等都会被匹配。
-
匹配多个单词: 如果需要统计多个目标单词，可以修改正则表达式，或者对每个目标单词重复上述逻辑。例如，要匹配"car"或"truck"，可以使用：
Pattern p = Pattern.compile("(?:^|\W)(car|truck)(?:$|\W)", Pattern.CASE_INSENSITIVE); 性能考量: 对于非常大的数据集和极长的字符串，正则表达式的性能可能需要关注。然而，对于大多数常见用例，java.util.regex提供了非常高效的实现。如果性能成为瓶颈，可以考虑更底层的字符串解析方法，但这通常会增加代码的复杂性。
-
单词边界: 另一种更简洁的表示单词边界的正则表达式是。代表单词边界，即一个单词字符与一个非单词字符之间的位置，或者字符串的开头/结尾。因此，car通常也能达到相同的效果，并且更易读。
Pattern p = Pattern.compile("\bcar\b"); // 或者大小写不敏感： // Pattern p = Pattern.compile("\bcar\b", Pattern.CASE_INSENSITIVE);在大多数情况下， 是更推荐的单词边界匹配方式。然而，本教程沿用了问题答案中提供的(?:W|^)word(?:W|$)形式，因为它在某些特定边缘情况下可能提供更精细的控制（尽管对于简单的单词匹配，通常足够）。
总结
通过利用java.util.regex包中的Pattern和Matcher类，我们可以高效且准确地统计HashMap中字符串值内特定单词的出现频率，并根据需求重复记录关联的键。正则表达式提供了强大的模式匹配能力，是处理此类文本分析任务的理想工具。理解并灵活运用正则表达式，将极大地提升Java程序处理字符串的效率和精确度。
