在自然语言处理（NLP）领域，文本预处理是至关重要的一步，其中移除停用词（Stop Words）是常见的操作。停用词通常指那些在文本中频繁出现但对文本语义贡献不大的词汇，例如“的”、“是”、“在”等。移除这些词汇有助于降低数据维度，提高后续文本分析（如词频统计、文本分类）的效率和准确性。本教程将详细介绍如何利用Java实现这一过程，并在此基础上进行词频统计。
核心概念与技术栈
- 文件I/O操作： 采用Java NIO.2 (java.nio.file.Files 和 java.nio.file.Paths)，它提供了更现代、高效的文件读写API，相比传统的 FileInputStream 和 BufferedReader 更为简洁。
- 字符串处理： 利用 String 类的 split() 方法进行文本分割，以及 replaceAll() 方法进行停用词替换。
- 集合框架： 使用 java.util.Map (具体为 HashMap) 来存储词汇及其出现频率，并通过 java.util.List 和 Collections.sort() 对词频进行排序。
- 正则表达式： 在停用词替换和词汇分割时，合理使用正则表达式可以实现更精确的匹配和处理。
实现步骤
我们将分步实现：首先读取主文本文件和停用词文件，然后从主文本中移除停用词，最后统计剩余词汇的频率。
1. 读取文件内容
首先，我们需要将 hello.txt（主文本）和 stopwords.txt（停用词列表）的内容读取到内存中。Files.readString() 方法是读取小型到中型文件内容的理想选择。
import java.io.IOException;
import java.nio.charset.Charset;
import java.nio.file.Files;
import java.nio.file.Paths;
import java.util.Arrays;
import java.util.Collections;
import java.util.Comparator;
import java.util.HashMap;
import java.util.LinkedHashMap;
import java.util.Map;
import java.util.stream.Collectors;
public class TextProcessor {
public static void main(String[] args) {
try {
// 读取主文本文件内容
String mainTextContent = Files.readString(Paths.get("hello.txt"), Charset.defaultCharset());
// 读取停用词文件内容
String stopWordsContent = Files.readString(Paths.get("stopwords.txt"), Charset.defaultCharset());
System.out.println("原始文本内容:\n" + mainTextContent);
System.out.println("停用词内容:\n" + stopWordsContent);
// ... 后续处理
} catch (IOException e) {
System.err.println("文件读取错误: " + e.getMessage());
e.printStackTrace();
}
}
}示例文件内容：
立即学习“Java免费学习笔记（深入）”；
- hello.txt: remove leave remove leave remove leave re move remov e leave remove hello remove world!
- stopwords.txt: remove world
2. 移除停用词
读取停用词后，我们需要将它们从主文本内容中移除。这里我们将停用词文件内容按空白字符分割成单独的词汇，然后遍历这些词汇，使用 String.replaceAll() 方法将它们从主文本中替换掉。为了确保只替换完整的单词，而不是单词的一部分，我们将结合正则表达式的单词边界 \b。
// ... (接上一步代码)
String[] stopWordsArray = stopWordsContent.split("\\s+"); // 使用 \\s+ 匹配一个或多个空白字符
String cleanedText = mainTextContent;
for (String stopWord : stopWordsArray) {
// 构建正则表达式，使用 \b 确保匹配整个单词
// 例如，如果 stopWord 是 "remove"，则匹配 "\bremove\b"
// 忽略大小写，并处理可能的标点符号
cleanedText = cleanedText.replaceAll("(?i)\\b" + stopWord + "\\b", "");
}
// 清理多余的空白字符，将多个空格替换为单个空格，并去除首尾空格
cleanedText = cleanedText.replaceAll("\\s+", " ").trim();
System.out.println("\n清洗后的文本内容:\n" + cleanedText);
// ...注意事项：
- split("\\s+") 用于将停用词字符串分割成数组，\\s+ 匹配一个或多个空白字符。
- replaceAll("(?i)\\b" + stopWord + "\\b", "") 是关键。
- (?i) 是一个嵌入式标志表达式，表示匹配不区分大小写。
- \b 是单词边界，确保我们只替换完整的单词，而不是单词的一部分（例如，避免将 "remove" 从 "remover" 中移除）。
- 替换为空字符串 ""。
- 最后的 replaceAll("\\s+", " ").trim() 用于将清洗后可能产生的多个连续空格合并为一个，并去除文本首尾的空格，使文本更整洁。
3. 词频统计与排序
清洗后的文本现在只包含有意义的词汇。接下来，我们将统计这些词汇的出现频率，并按频率降序排列，以找出最常出现的词。
// ... (接上一步代码)
// 将清洗后的文本分割成单词
// 使用正则表达式匹配非字母数字字符作为分隔符，并转换为小写
String[] words = cleanedText.toLowerCase().split("[^a-zA-Z0-9]+");
// 使用 HashMap 存储词频
Map wordFrequencies = Arrays.stream(words)
.filter(word -> !word.isEmpty()) // 过滤空字符串
.collect(Collectors.groupingBy(
String::valueOf, // 词汇本身作为键
Collectors.counting() // 统计出现次数
));
// 将词频Map转换为List，以便排序
// 使用LinkedHashMap保持插入顺序（在排序后重新构建时有用）
Map sortedWordFrequencies = wordFrequencies.entrySet()
.stream()
.sorted(Map.Entry.comparingByValue(Comparator.reverseOrder())) // 按值降序排序
.collect(Collectors.toMap(
Map.Entry::getKey,
Map.Entry::getValue,
(oldValue, newValue) -> oldValue, // 合并函数，这里不应该发生键冲突
LinkedHashMap::new // 保持排序顺序
));
System.out.println("\n词频统计 (降序):");
sortedWordFrequencies.forEach((word, count) -> System.out.println(word + ": " + count));
// 如果需要显示Top N词汇
int topN = 3; // 例如，显示前3个
System.out.println("\nTop " + topN + " 词汇:");
sortedWordFrequencies.entrySet()
.stream()
.limit(topN)
.forEach(entry -> System.out.println(entry.getKey() + ": " + entry.getValue()));
// ... 解释：
- cleanedText.toLowerCase().split("[^a-zA-Z0-9]+")：
- toLowerCase()：将所有词汇转换为小写，确保“Hello”和“hello”被视为同一个词。
- split("[^a-zA-Z0-9]+")：使用一个或多个非字母数字字符作为分隔符来分割文本，这有助于移除标点符号并获取纯粹的单词。
- Arrays.stream(words).filter(word -> !word.isEmpty()).collect(Collectors.groupingBy(String::valueOf, Collectors.counting()))：这是一个高效的Java 8 Stream API用法。
- filter(word -> !word.isEmpty())：过滤掉因分割可能产生的空字符串。
- Collectors.groupingBy(String::valueOf, Collectors.counting())：将Stream中的元素按其值（单词本身）分组，并计算每个组（单词）的出现次数。
- wordFrequencies.entrySet().stream().sorted(...).collect(...)：
- 将 HashMap 的 entrySet() 转换为Stream。
- sorted(Map.Entry.comparingByValue(Comparator.reverseOrder()))：根据Map的值（即词频）进行降序排序。
- Collectors.toMap(...)：将排序后的Stream重新收集到一个新的 LinkedHashMap 中，以保持排序顺序。
4. 将结果写入文件（可选）
如果需要将清洗后的文本或词频统计结果保存到文件中，可以使用 Files.write() 方法。
// ... (接上一步代码)
// 将清洗后的文本写入新文件
// Files.write(Paths.get("cleaned_hello.txt"), cleanedText.getBytes(Charset.defaultCharset()));
// System.out.println("\n清洗后的文本已保存到 cleaned_hello.txt");
// 将词频统计结果写入文件
// StringBuilder freqOutput = new StringBuilder();
// sortedWordFrequencies.forEach((word, count) -> freqOutput.append(word).append(": ").append(count).append("\n"));
// Files.write(Paths.get("word_frequencies.txt"), freqOutput.toString().getBytes(Charset.defaultCharset()));
// System.out.println("词频统计结果已保存到 word_frequencies.txt");
// ...完整代码示例
import java.io.IOException;
import java.nio.charset.Charset;
import java.nio.file.Files;
import java.nio.file.Paths;
import java.util.Arrays;
import java.util.Comparator;
import java.util.LinkedHashMap;
import java.util.Map;
import java.util.stream.Collectors;
public class TextProcessor {
public static void main(String[] args) {
try {
// 1. 读取文件内容
String mainTextContent = Files.readString(Paths.get("hello.txt"), Charset.defaultCharset());
String stopWordsContent = Files.readString(Paths.get("stopwords.txt"), Charset.defaultCharset());
System.out.println("--- 原始数据 ---");
System.out.println("原始文本内容:\n" + mainTextContent);
System.out.println("停用词内容:\n" + stopWordsContent);
// 2. 移除停用词
String[] stopWordsArray = stopWordsContent.split("\\s+");
String cleanedText = mainTextContent;
for (String stopWord : stopWordsArray) {
// 使用 \b 确保匹配整个单词，(?i) 忽略大小写
cleanedText = cleanedText.replaceAll("(?i)\\b" + stopWord + "\\b", "");
}
// 清理多余的空白字符
cleanedText = cleanedText.replaceAll("\\s+", " ").trim();
System.out.println("\n--- 文本清洗结果 ---");
System.out.println("清洗后的文本内容:\n" + cleanedText);
// 3. 词频统计与排序
// 将清洗后的文本分割成单词，转换为小写，并过滤空字符串
String[] words = cleanedText.toLowerCase().split("[^a-zA-Z0-9]+");
Map wordFrequencies = Arrays.stream(words)
.filter(word -> !word.isEmpty())
.collect(Collectors.groupingBy(
String::valueOf,
Collectors.counting()
));
// 按词频降序排序
Map sortedWordFrequencies = wordFrequencies.entrySet()
.stream()
.sorted(Map.Entry.comparingByValue(Comparator.reverseOrder()))
.collect(Collectors.toMap(
Map.Entry::getKey,
Map.Entry::getValue,
(oldValue, newValue) -> oldValue,
LinkedHashMap::new
));
System.out.println("\n--- 词频统计 (降序) ---");
sortedWordFrequencies.forEach((word, count) -> System.out.println(word + ": " + count));
// 4. 显示Top N词汇 (例如 Top 3)
int topN = 3;
System.out.println("\n--- Top " + topN + " 词汇 ---");
sortedWordFrequencies.entrySet()
.stream()
.limit(topN)
.forEach(entry -> System.out.println(entry.getKey() + ": " + entry.getValue()));
// 可选：将清洗后的文本写入文件
// Files.write(Paths.get("cleaned_hello.txt"), cleanedText.getBytes(Charset.defaultCharset()));
// System.out.println("\n清洗后的文本已保存到 cleaned_hello.txt");
} catch (IOException e) {
System.err.println("文件操作错误: " + e.getMessage());
e.printStackTrace();
}
}
} 运行上述代码，如果 hello.txt 和 stopwords.txt 存在于项目根目录，将得到类似以下输出：
--- 原始数据 --- 原始文本内容: remove leave remove leave remove leave re move remov e leave remove hello remove world! 停用词内容: remove world --- 文本清洗结果 --- 清洗后的文本内容: leave leave leave re move remov e leave hello ! --- 词频统计 (降序) --- leave: 4 re: 1 move: 1 remov: 1 e: 1 hello: 1 --- Top 3 词汇 --- leave: 4 re: 1 move: 1
注意事项与优化
- 文件编码： 始终明确指定文件编码，例如 Charset.defaultCharset() 或 StandardCharsets.UTF_8，以避免乱码问题。
- 大文件处理： Files.readString() 适用于中小型文件。对于GB级别的大文件，建议使用 Files.lines() 逐行处理，或结合 BufferedReader 避免一次性加载所有内容到内存，防止 OutOfMemoryError。
-
正则表达式的精确性：
- \b 单词边界非常重要，它可以防止意外替换。例如，如果没有 \b，移除“cat”可能会影响“category”。
- 对于更复杂的停用词（如包含特殊字符），可能需要对停用词本身进行正则转义：Pattern.quote(stopWord)。
-
性能优化：
- String.replaceAll() 会创建新的字符串对象，在循环中频繁调用可能效率不高。对于极端性能要求，可以考虑使用 StringBuilder 结合 Matcher.appendReplacement() 和 appendTail() 进行更细粒度的控制。
- 如果停用词列表非常庞大，将其存储在 HashSet 中进行快速查找（contains() 方法）会比 replaceAll 循环更高效，但这需要改变处理逻辑，即先将主文本分割成词，然后逐个检查是否为停用词。
-
文本标准化：
- 在词频统计前，将所有词汇转换为小写是标准做法。
- 处理标点符号：本教程使用 split("[^a-zA-Z0-9]+") 来移除标点，这在大多数情况下是足够的。对于更复杂的场景，可能需要更精细的标点符号处理逻辑。
- 错误处理： 始终包含健壮的异常处理，特别是文件I/O操作，以应对文件不存在、权限不足等问题。
总结
通过本教程，我们学习了如何利用Java NIO.2、字符串处理和Stream API来高效地实现文本文件的停用词移除和词频统计。这个过程是许多文本分析任务的基础，掌握这些技术将有助于更好地处理和理解文本数据。在实际应用中，根据具体需求，可以进一步优化和扩展这些功能，例如支持不同语言的停用词、更复杂的文本清洗规则等。
