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([start/2]).
- -import(re, [run/2,replace/4]).
- -import(string,[substr/3]).
- %% 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",[LineList]),
- TableID = ets:new(index,[ordered_set]),%% 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, [{OneLine,UpdateLineNo} | Ret])
- 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",[ToList]),
- 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",[LineNo]),
- Words = string:tokens(Element,"\n\t "),
- matchWords(Words,LineNo,TableID).
- matchWords([], LineNo, TableID) ->
- io:format("process line(~p) success!~n",[LineNo]);
- matchWords(Words, LineNo, TableID) ->
- %io:format("Words:~p~n",[Words]),
- 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,直接插入此Word索引 ets:insert(TableID,{Word,[{LineNo,1}]} );
- 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) ->
- [{LineNo, 1} |List];
- insertRec(List, LineNo, Ret) ->
- First = lists:nth(Ret,List),
- {LN, Num} = First,
- if
- LN =:= LineNo ->
- Temp = lists:delete(First, List),
- [{LineNo, Num+1} | Temp];
- 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",[X]) 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。
原文:http://www.cnblogs.com/itfreer/archive/2012/05/07/Erlang_in_practise_index.html
【编辑推荐】