如果要效率高的话, 就需要学
linux + thread + progress
这样子可以通过java调用linux命令
linux中有一个comm -12命令来实现比较两个文件的共同数据, 生成一个新文本。 拿到新文本的大小/旧文本的大小, 旧可以粗略计算出相似度, 而且效率极其高
如果文本有上百万行数据的话, 用IO可能要十几个小时才有结果, 但是linux命令只需要1分钟左右就可以出结果
String text1 = "我爱学习"String text2 = "我爱读书"
String text3 = "他是黑客"
TextSimilarity textSimilarity = new CosineTextSimilarity()
double score1pk1 = textSimilarity.similarScore(text1, text1)
double score1pk2 = textSimilarity.similarScore(text1, text2)
double score1pk3 = textSimilarity.similarScore(text1, text3)
double score2pk2 = textSimilarity.similarScore(text2, text2)
double score2pk3 = textSimilarity.similarScore(text2, text3)
double score3pk3 = textSimilarity.similarScore(text3, text3)
System.out.println(text1+" 和 "+text1+" 的相似度分值:"+score1pk1)
System.out.println(text1+" 和 "+text2+" 的相似度分值:"+score1pk2)
System.out.println(text1+" 和 "+text3+" 的相似度分值:"+score1pk3)
System.out.println(text2+" 和 "+text2+" 的相似度分值:"+score2pk2)
System.out.println(text2+" 和 "+text3+" 的相似度分值:"+score2pk3)
System.out.println(text3+" 和 "+text3+" 的相似度分值:"+score3pk3)
运行结果如下:
我爱学习 和 我爱学习 的相似度分值:1.0
我爱学习 和 我爱读书 的相似度分值:0.4
我爱学习 和 他是黑客 的相似度分值:0.0
我爱读书 和 我爱读书 的相似度分值:1.0
我爱读书 和 他是黑客 的相似度分值:0.0
他是黑客 和 他是黑客 的相似度分值:1.0
方式二:简单共有词,通过计算两篇文档有多少个相同的词来评估他们的相似度
实现类:org.apdplat.word.analysis.SimpleTextSimilarity
用法如下:
String text1 = "我爱学习"
String text2 = "我爱读书"
String text3 = "他是黑客"
TextSimilarity textSimilarity = new SimpleTextSimilarity()
double score1pk1 = textSimilarity.similarScore(text1, text1)
double score1pk2 = textSimilarity.similarScore(text1, text2)
double score1pk3 = textSimilarity.similarScore(text1, text3)
double score2pk2 = textSimilarity.similarScore(text2, text2)
double score2pk3 = textSimilarity.similarScore(text2, text3)
double score3pk3 = textSimilarity.similarScore(text3, text3)
System.out.println(text1+" 和 "+text1+" 的相似度分值:"+score1pk1)
System.out.println(text1+" 和 "+text2+" 的相似度分值:"+score1pk2)
System.out.println(text1+" 和 "+text3+" 的相似度分值:"+score1pk3)
System.out.println(text2+" 和 "+text2+" 的相似度分值:"+score2pk2)
System.out.println(text2+" 和 "+text3+" 的相似度分值:"+score2pk3)
System.out.println(text3+" 和 "+text3+" 的相似度分值:"+score3pk3)
运行结果如下:
我爱学习 和 我爱学习 的相似度分值:1.0
我爱学习 和 我爱读书 的相似度分值:0.5
我爱学习 和 他是黑客 的相似度分值:0.0
我爱读书 和 我爱读书 的相似度分值:1.0
我爱读书 和 他是黑客 的相似度分值:0.0
他是黑客 和 他是黑客 的相似度分值:1.0
最简单的、最节省性能的方法是建立字典。 字典的索引就是字本身,遍历字符串,没遇到一个字就加入到字典中,加入的时候判断下,如果索引存在则加1,不存在则创建,然后在取字典最大值,大于6就报错。 上面说的字典可以用java中的hashMap实现。