统计HashMap中单词出现次数及键值方法

1. 问题背景与传统方法局限性

在处理包含文本数据的HashMap时，我们常常需要统计特定单词在每个条目值中出现的频率。例如，一个HashMap可能存储了以整数为键、以句子为值的记录，我们希望统计某个单词（如“car”）在每个句子中出现的次数，并根据其出现次数重复记录对应的键。

考虑以下初始数据结构：

Map carHashMap = new HashMap<>();
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");

如果采用简单的String.contains()方法来判断单词是否存在，并记录对应的键，会遇到一个问题：

ArrayList showCarsInMap = new ArrayList<>();
for (Map.Entry entrySection : carHashMap.entrySet()) {
    if (entrySection.getValue().contains("car")) {
        showCarsInMap.add(entrySection.getKey());
    }
}
System.out.println("Car : " + showCarsInMap);
// 当前输出: Car : [1, 2, 3, 5]

上述代码的输出是[1, 2, 3, 5]。这表明它只能识别出包含“car”的键，但无法区分“car”在键1的值中出现了两次，在键5的值中出现了四次。contains()方法仅返回布尔值，无法提供出现次数的信息，因此无法满足将键重复记录的需求。

2. 解决方案：利用正则表达式进行精确匹配与计数

为了解决上述问题，我们需要一种能够查找字符串中所有匹配项的方法。Java的java.util.regex包提供了强大的正则表达式功能，其中的Pattern和Matcher类正是为此目的而设计。

核心思想是：

1. 定义一个正则表达式模式，精确匹配目标单词。
2. 使用Matcher对象在字符串中查找所有符合模式的子序列。
3. 通过while (matcher.find())循环，每找到一个匹配项，就执行一次操作（例如，将键添加到列表中）。

2.1 正则表达式模式的选择

为了确保只匹配完整的单词“car”，而不是“cartoon”或“scar”中的“car”部分，我们需要使用单词边界。一个常用的模式是 (?:^|\\W)car(?:$|\\W)。

• car: 匹配字面字符串“car”。
• \\W: 匹配任何非单词字符（包括空格、标点符号、换行符等）。
• ^: 匹配字符串的开头。
• $: 匹配字符串的结尾。
• (?:...): 这是一个非捕获组。它将内部的模式组合在一起，但不会创建单独的捕获组，这在只需要分组而不需要提取匹配内容时很有用。
• (?:^|\\W): 匹配字符串开头或一个非单词字符。这确保了“car”前面要么是字符串开头，要么是一个非单词字符。
• (?:$|\\W): 匹配字符串结尾或一个非单词字符。这确保了“car”后面要么是字符串结尾，要么是一个非单词字符。

这个模式有效地定义了“car”作为一个独立单词的边界。

2.2 代码实现

将正则表达式应用于HashMap值的完整代码如下：

import java.util.ArrayList;
import java.util.HashMap;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class WordCounterInHashMap {

    public static void main(String[] args) {
        Map carHashMap = new HashMap<>();
        ArrayList 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");

        // 目标单词
        String targetWord = "car";
        // 编译正则表达式模式
        // (?:^|\\W)word(?:$|\\W) 确保匹配的是整个单词
        Pattern p = Pattern.compile("(?:^|\\W)" + Pattern.quote(targetWord) + "(?:$|\\W)", Pattern.CASE_INSENSITIVE);

        for (Map.Entry entrySection : carHashMap.entrySet()) {
            // 为当前字符串创建Matcher
            Matcher m = p.matcher(entrySection.getValue());
            // 循环查找所有匹配项
            while (m.find()) {
                // 每找到一个匹配项，就将对应的键添加到列表中
                showCarsInMap.add(entrySection.getKey());
            }
        }

        System.out.println("Car : " + showCarsInMap);
        // 期望输出: Car : [1, 1, 2, 3, 3, 5, 5, 5, 5]
    }
}

代码解析：

1. Pattern.compile(...): 这一行将正则表达式字符串编译成一个Pattern对象。Pattern.quote(targetWord)用于确保如果targetWord本身包含特殊正则表达式字符，它们会被正确地转义，从而按字面意义匹配。Pattern.CASE_INSENSITIVE标志使得匹配不区分大小写，例如“Car”和“car”都会被匹配。
2. Matcher m = p.matcher(entrySection.getValue());: 对于HashMap中的每一个值（即每个句子），我们都创建一个新的Matcher对象。Matcher对象用于对输入字符串执行匹配操作。
3. while (m.find()): 这是实现多次计数的关键。m.find()方法尝试在当前字符串中查找下一个匹配给定模式的子序列。如果找到，它返回true并将Matcher的状态更新到下一个匹配的起始位置；如果没有找到，则返回false。通过在一个while循环中使用它，我们可以遍历字符串中的所有匹配项。每次找到一个匹配，我们就将对应的entrySection.getKey()添加到showCarsInMap列表中。

运行上述代码，将得到期望的输出：Car : [1, 1, 2, 3, 3, 5, 5, 5, 5]，这准确反映了“car”在每个键对应的值中出现的次数。

3. 注意事项

• 正则表达式的精确性与复杂性：
  • 上述正则表达式"(?:^|\\W)" + Pattern.quote(targetWord) + "(?:$|\\W)"能够很好地处理单词边界。但请注意，\\W会匹配任何非字母、数字、下划线的字符。如果你的“单词”定义更复杂（例如，包含连字符），或者需要处理不同语言的单词边界，你可能需要调整正则表达式。
  • 对于更严格的单词边界，可以使用\\b（单词边界）元字符："\\b" + Pattern.quote(targetWord) + "\\b"。但请注意，\\b在某些情况下（如数字或下划线连接的字符串中）的行为可能与预期不同。在大多数自然语言文本中，\\b是匹配完整单词的更简洁和推荐方式。例如，"car"在"cars"中不会被"\\bcar\\b"匹配。
• 大小写敏感性： 默认情况下，正则表达式是大小写敏感的。如果你希望不区分大小写地匹配，可以在编译Pattern时添加Pattern.CASE_INSENSITIVE标志，如示例所示。
• 性能考量： 对于非常大的文本数据集和大量的HashMap条目，正则表达式的匹配操作可能会有性能开销。在大多数常见场景下，这种开销是可以接受的。如果性能成为瓶颈，可以考虑其他方法，例如先将字符串分词（tokenize）为单词数组，然后遍历数组进行计数。然而，对于本例中的需求，正则表达式通常是最高效且简洁的解决方案。
• 多线程环境： 如果carHashMap或showCarsInMap在多线程环境中共享，需要考虑线程安全问题。例如，ArrayList不是线程安全的，在并发修改时需要同步机制（如使用Collections.synchronizedList或CopyOnWriteArrayList）。

4. 总结

通过利用Java的java.util.regex包，我们能够有效地解决在HashMap值中统计特定单词出现次数并根据出现频率重复记录键的问题。Pattern和Matcher类的组合提供了强大的文本模式匹配能力，特别是while (matcher.find())循环，它允许我们遍历字符串中的所有匹配项，从而实现精确的计数。理解正则表达式模式的构建及其在Java中的应用，是处理复杂文本数据的重要技能。