问题描述
为文本建立索引是文本信息处理的一个重要的任务,给定一个由英文单词构成的文件,为文件中所有单词建立索引,记录每个单词出现的行号和每行出现的次数,并将索引存入一个文件。在Erlang实战练习(六)中我强调了当时建立文本索引的时候太粗糙,一是使用了尽量规避的进程字典的方式;二是分词使用的是正则表达式,不够灵活。本文将改进我以前建立文本索引的方式,使用ETS来存储单词及其索引列表,同时拆分词使用Erlang提供的string:token模块,更加灵活和可移植性。word_index.erl文件的总体结构如下:-module(word_index). -export(). -import(re, ). -import(string,). %% start两个参数:FileIn表示要建立索引的文本文件,FileOut表示索引保存的目标文件start(FileIn,FileOut) -> {_First,Second} = file:open(FileIn,read),%% 只读打开FileIn文件 if _First =:= ok -> LineList = readFile(Second,0),%% 函数readFile/2的功能是将文本以行为单位,存入列表 %io:format("~nfile contents:~p~n",), TableID = ets:new(index,),%% ets:new创建一个“键值”搜索表,存储键值映射元祖,设置表名为index,表的类型为ordered_set index(FileOut,LineList,TableID);%% 为文本中的每一行建立单词索引 _First =/= ok -> io:format("Open file error: file doesn't exist!") end. readFile/2函数代码如下:%% 读取文本每一行,以{Line,LineNo}为元组存入列表中readFile(S, LineNo) -> readFile(S,LineNo,[]). readFile(S, LineNo, Ret) -> UpdateLineNo = LineNo +1, OneLine = io:get_line(S,''),%% 读取文件中的一行内容 if OneLine =:= eof -> io:format("Read file EOF!"), file:close(S), lists:reverse(Ret); OneLine =/= eof -> readFile(S,UpdateLineNo, ) end. index/3函数代码如下:index(File,LineList,TableID) -> if length(LineList) =:= 0 -> ToList = ets:tab2list(TableID), io:format("index is:~n~p~n",), writeToFile(File,ToList), io:format("create index success! "); length(LineList) =/= 0 -> First = lists:nth(1,LineList), processOneLine(First,TableID), index(File,lists:delete(First, LineList), TableID) end. %% 处理一行文本processOneLine(OneLine, TableID) -> {Element, LineNo } = OneLine, %io:format("Line no:~p~n",), Words = string:tokens(Element,"nt "), matchWords(Words,LineNo,TableID). matchWords([], LineNo, TableID) -> io:format("process line(~p) success!~n",); matchWords(Words, LineNo, TableID) -> %io:format("Words:~p~n",), Word = lists:nth(1,Words), _Value = ets:lookup(TableID,Word),%%返回值为匹配Word的元组列表 if length(_Value) =:= 0 -> %% Word还未被索引,直接**入此Word索引 ets:insert(TableID,{Word,} ); length(_Value) =/= 0 -> %% Word已被索引,更新Word索引列表 KVs = lists:nth(1,_Value), Value = element(2,KVs), ets:insert(TableID,{Word, insertRec(Value,LineNo) } ) end, matchWords(lists:delete(Word, Words), LineNo, TableID). %% 处理行号与出现次数元组列表insertRec(List,LineNo) -> insertRec(List,LineNo,length(List)). insertRec(List, LineNo, 0) -> ; insertRec(List, LineNo, Ret) -> First = lists:nth(Ret,List), {LN, Num} = First, if LN =:= LineNo -> Temp = lists:delete(First, List), ; LN =/= LineNo -> insertRec(List, LineNo, Ret-1) end. %% 将索引写入文件writeToFile(File,ToList) -> {ok,S} = file:open(File,write), lists:foreach(fun(X) -> io:format(S,"~p.~n",) end, ToList), file:close(S). 至此,我已经将使用ets存储键值大型表来存储单词索引列表的程序讲完了,大家自己回去动手试验吧。本文是继续上文的一个续篇,是一种改进的建立文本索引方式。以后我还好继续通过实战练习来探讨Erlang的学习与总结思考,谢谢大家的关注。