1、 本例可执行文件下载: 下载本案例知识要点 链表的使用 文件操作 哈希表的使用 快速排序法 类的设计 和使用一、案例需求1案例描述词频统计就是统计一个句子或一篇文章中各种词出现的频率，它是中文信息处理的一项基本技术，在很多领域都有重要的应用。比如在中文搜索引擎（如：google，baidu）中，除去特别常用的词，一篇文章中出现频率较高的词通常能反映这篇文章的主题，因此可以使用词频来对中文文章进行文本聚类。本案例实现按词表对文章中的词语进行分析，并按字典序给出词表中各词语在文章中出现的频数。2案例效果图（1）案例需要一个待统计文本文件，效果图如图 20-3、20-4 所示。图 20-1 待统计文
2、本文件内容（2）本案例需一个词表文件，效果图如图 20-2 所示。图 20-2 词表文件内容（3）本案例最终统计出每个词在文本中出现的次数。运行结果如图 20-3 所示。图 20-3 运行结果（3）本案例最终统计出的结果 保存在 out.txt 中。效果图如图 20-4 所示。图 20-4 运行结果文件内容3功能说明（1）本案例需要一个文本和一个词表，统计出每个词在文本中出现的次数。统计的原则包括以下两种： 交集型：如 “内存在涨价 ”，需要统计“内存”和“存在”（假设这两个词都在词表中）。 组合型：如 “中美关系在发展 ”，需要统计“中美”、“关系”和“中美关系”（假设这三个词都在词表中）。
3、（2）文本和词表的格式是：输入文本是一个长句，句中只包含汉字，不包含数字、标点、空格、回车以及其它任何特殊符号。文本规模小于等于 50，000 汉字。输入词表的规模小于等于 100，000 个词，所有词不重复，词在 27 个汉字之间，每个词占一行。（3）实现基于词表的词频统计，从磁盘中读取词表和文本，将词频统计结果输出到磁盘中，输出结果要求按字典序排序，并计算出程序运行时间。二、案例分析首先分析选取哪种数据结构，以达到高速搜索的目的。具备搜索功能的数据结构很多，如线性表、平衡树、哈希表等，当数据量庞大时，使用哈希表最合适。哈希表的概念在案例“哈希表的演示”已经做了介绍。根据需要构造一个哈希表类
4、，在类中实现如下操作： 建立哈希表 将词表在内存中存储起来，这个存储的过程就是类的构造函数。案例中的词表是数量较大的词组，词与词之间用空格隔开。因此可用文件流函数 getline 来实现。每次调用 getline 函数便得到一个存有词的字符串，然后将字符串按照某种散列函数插入到哈希表中，一直到词表全部存储为止。 统计词频：从词表中读取文本文件，存储在 一个字符串里，因为每个汉字存储在两个字节里，所以词在 414 个字节之间，用 char word15即可表示一个词。考虑到词频统计的交集性和组合性原则，可对在文本字符串中的每个汉字与其后的汉字分别组 成 27 个汉字的词，在词表中进行搜索，每被搜
5、到一次，次数加 1。循环直到文本末尾。 哈希函数（散列函数）的实现：用 char word15存储的词得到一个关键字，然后除以某个素数，得到的余数为散列地址。由于数据较多，要高速完成搜索，散列到每个相同地址的元素要尽量少，因此素数要很大，关键字的范围也很大且不重叠。 按字符的字典序排序输出：而哈希表是乱序存储的，故可先遍历哈希表，将所有词频大于 0 的词存入数组中，用快速排序法将这个数组中的元素排序。三、案例设计1类的设计根据案例分析，需要设计出两个结构体 NODE 和 TABLE，同时还需设计一个类SYMBOLTABLE。其中：结构体 NODE 是哈希桶（哈希桶-哈希表中各个同地址值的元素构
6、成的链表）中节点的数据结构， TABLE 是哈希表的结构，SYMBOLTABLE 类提供了诸如：哈希函数、查找词汇、遍历哈希表、将词汇插入哈希表中、快速排序等功能。（1） 结构体 NODEstruct NODEchar word15;/关键字int number; /关键字被访问的次数PNODE next;/指向下一结点的指针;（2） 结构体 TABLEstruct TABLEint prime;/哈希桶数PNODE * buckets;/指向结点指针的指针，可构成动态的指针数组;（3） SYMBOLTABLE 类图 20-5 SYMBOLTABLE 类图 数据成员PSYMBOLTABLE p
7、;哈希符号表指针。int num;被遍历的词数。 函数成员SYMBOLTABLE(char *argv);构造函数、创建哈希表。SYMBOLTABLE()析构函数。int Hash(char* word);静态哈希函数，形参：字符串，桶数。返回桶的下标。void FindNode(char* s);形参：结点指针，字符串。在某一链中找到某词汇，若找到则词频数加 1，且返回。 void InsertIntoSymTbl(char name20);将词汇插入哈希表中。 void SearchInSymTbl(char* argv);搜索某一词汇 。void TraverseSymTbl(char*
8、 argv);遍历哈希表。 void Qsort(PNODE* p,int s,int t);使用快速排序法。2主程序设计在主函数中声明了一个 SYMBOLTABLE 类的对象，依次调用哈希表类的构造函数、统计函数、输出函数即可。另外，为了记录程序的运行时间，包含了 time 头文件，调用 clock 函数，能精确到毫秒。主程序有详细的注释，清晰易懂，流程图略。四、案例实现/ */ * source.h 类声明头文件 / *#1 #ifndef _SUPERMARKET_ /防止头文件被多次包含#2 #include#3 #include#4 typedef struct TABLE* PSY
9、MBOLTABLE;/符号表构造函数，哈希符号表指针#5 typedef struct NODE* PNODE; /结点指针#6 struct NODE#7 #8 char word15; /关键字#9 int number; /此词被访问的次数#10 PNODE next; /指向下一结点的指针#11 ;#12 struct TABLE#13 #14 int prime; /哈希桶数#15 PNODE * buckets; /指向结点指针的指针，可构成动态的指针数组#16 ;#17 class SYMBOLTABLE#18 #19 public:#20 SYMBOLTABLE(char *a
10、rgv); /创建哈希表#21 SYMBOLTABLE()#22 int Hash(char* word); /静态哈希函数，形参：字符串，桶数/返回桶的下标#23 void FindNode(char* s); /形参：结点指针，字符串 /功能:在某一链中找到某词汇，若找到则词频数加 1，且返回；#24 void InsertIntoSymTbl(char name20); /将词表插入哈希表中#25 void SearchInSymTbl(char* argv); /搜索某一词汇#26 void TraverseSymTbl(char* argv); /遍历哈希表#27 void Qsor
11、t(PNODE* p,int s,int t); /使用快速排序法#28 private:#29 PSYMBOLTABLE p; /哈希符号表指针#30 int num; /被遍历的词数#31 ;#32 SYMBOLTABLE:SYMBOLTABLE(char* argv) /创建哈希表#33 #34 ifstream in(argv);#35 int i,n;#36 char s15;#37 p=new struct TABLE; /建立哈希表#38 p-prime=100000; /桶数#39 num=0;#40 p-buckets=new PNODEp-prime; /建立每个散列链#4
12、1 #42 for(i=0;iprime;i+) /动态分布内存#43 p-bucketsi=NULL;#44 for(i=0;inumber=0;#66 strcpy(t-word,word); /复制 word 的内容#67 t-next=p-bucketsn; /形成链表#68 p-bucketsn=t;#69 #70 void SYMBOLTABLE:SearchInSymTbl(char* argv) /在文本中搜索词汇#71 #72 ifstream text(argv);#73 char story100002;#74 text.getline(story,100002,n);
13、/从文件中读出长句子#75 int m;#76 m=strlen(story); /求得句子的长度#77 storym=0;#78 int i,j;#79 char s15;#80 for(i=0;iprime);i+)#106 #107 u=p-bucketsi;#108 while(u!=NULL)#109 #110 if(u-number0) /遍历哈希表，从中找出词频大于 0 的词，并装入数组中#111 #112 verbj=u;#113 j+;#114 #115 u=u-next;#116 #117 #118 strcpy(verbj-word,“abc“); /当作快速排序中的边缘
14、，所有汉字组成的词都大于英文#119 Qsort(verb,0,j-1);#120 for(i=num-1;i=0;i-) /倒着从小到大遍历#121 outwordnumber;#122 #123 int SYMBOLTABLE:Hash(char* word) /哈希函数，求散列地址#124 #125 unsigned long s=1,t=1,r=1,m=1;#126 int i;#127 for(i=0;iprime);#145 #146 void SYMBOLTABLE:FindNode(char* s) /在某一散列链中搜索结点位置#147 #148 int n;#149 PNOD
15、E current;#150 n=Hash(s); /调用 Hash 函数，求得散列地址#151 current=p-bucketsn;#152 while(current!=NULL) /循环查找该结点#153 #154 if(strcmp(current-word,s)=0)/如果找到词，且为第一次找到，num 加一#155 #156 if(current-number)=0)#157 num+;#158 current-number+;#159 return;#160 #161 current=current-next;#162 #163 #164 #165 void SYMBOLTAB
16、LE:Qsort(PNODE* p,int s,int t)/快速排序法,从大到小排列#166 #167 int i=s,j=t+1;#168 PNODE x=ps;#169 do#170 do i+;while(strcmp(pi-word,x-word)0); /从大到小排#171 do j-;while(strcmp(pj-word,x-word)#2 #include“source.h“ /用包含命令将类定义头文件包含进来#3 #include“time.h“#4 void main()#5 #6 clock_t start,end;#7 start=clock();#8 SYMBOL
17、TABLE st(“dict.txt“); /创建哈希表，读入词表#9 st.SearchInSymTbl(“example.txt“)； /读入目标文本，在哈希表中搜索#10 st.TraverseSymTbl(“out.txt“); /输出字典序的词表及频率#11 end=clock();#12 cout“程序运行运行完毕!结果在 out.txt 中,用时“end-start“毫秒.“endl;#13 五、案例总结与提高1案例总结本案例类的设计并不复杂，但是要求读者除了具备 C+基本知识和简单的数据结构知识外，还要求读者掌握文件流、哈希表、快速排序、算法设计、主函数接口等诸多知识点，否则案例理解起来比较困难。本案例用到的许多知识点在数据结构教材中都有很详细的讲述，读者需要查找相关书籍熟悉这些知识，对照程序来理解掌握这些知识，逐步提升程序设计水平。2案例提高（1）可以考虑采用更高效、冲突更少的哈希函数（HashFun(const string &s)）来完成本案例。（2）可以试着改用平衡树（AVL）做为数据结构。关于平衡树的相关知识可查阅数据结构教材。
