在一个文本文件中的单词统计频率并打印前十个

设计分析：

遇到这样一个程序设计，首先解决的是文件读入的问题（我选择读入txt）；

第二，英文文章中由英文字母，标点符号，其他字符组成，要将他们分离，这就用到了词法分析，将每个单词分离出来并且分析；

第三，统计单词个数（不一样的单词各有几个），排序，输出频率最高的10个。

要解决的是文件读取后储存问题，就是放在结构体中，单词的种类和数量统计起来。可以用结构体数组，可以用链表。

统计后排序的问题，如果将整个结构体或链表排序，那将是一件好大的工程，但是题目只是将频率最高的10个词打印出来，就像每天人们听歌，排行榜上的第一页是用户听得最多的歌曲。于是，我只是初始化了一个结构体数组，长度为10，将10个排序，然后用最后一个，也就是这10个中频率最小的与其他的比较，如果有频率比他高的，则插入到这个长度为10 的结构体数组中。插入之后还是顺序的。这样就节省了很多的工作量。

数据结构：

储存单词的数据结构：

①结构体

typedef struct
{
    char danci[19];//储存单词
    int count;//记录单词个数,后面出现几次
}sq;

②链表

struct Word

{
 char danci[19];
 int count;
 struct Word *next;
};

找出频率最高的十个单词

for(i=10;i<n;i++)
 {
  if(frequency_max[9].count<word[i].count)
  {
   int a=8;
   while(frequency_max[a].count<word[i].count&&a>=0)
   {
    a--;
   }
  
   for(j=9;j>a+1;j--)
   {
    frequency_max[j]=frequency_max[j-1];
   }
   if(a<0)
     frequency_max[0]=word[i];
   else
    frequency_max[j]=word[i];
  }
 }

 

代码：

#define _CRT_SECURE_NO_DEPRECATE
#define _CRT_SECURE_NO_WARNINGS
#include<iostream>
#include<iomanip>
#include<time.h>
using namespace std;
#define M 20000
//文章单词个数

typedef struct
{
 char danci[19];//储存单词
 int count;//记录单词个数,后面出现几次
}sq;

void main()
{
 double start, finish;
 start = (double)clock();
 sq word[M];
 sq t_word;
 double s, f;
 int K, n = 0, i, j;
 char infile[10];
 s = (double)clock();
 cout << "***********请输入文件路径:***********" << endl;
 cin >> infile;//文件路径输入   
 f = (double)clock();//
 cout << "输入文件路径的时间:" << (f - s) / 1000 << "s" << endl;

 FILE *fp;
 char ch;
 //fp=fopen("d:\pro.txt","r");
 if ((fp = fopen(infile, "r")) == NULL)
 {
  cout << "无法打开文件！" << endl;
  exit(0);
 }
 s = (double)clock();
 while (!feof(fp))
 {
  ch = getc(fp);
  if (ch == ' ' || ch == 10)
  {//虑空
   continue;
  }
  if ((ch >= 'a'&&ch <= 'z') || (ch >= 'A'&&ch <= 'Z'))              //发现一个单词
  {
   K = 0;
   t_word.count = 1;
   while ((ch >= 'a'&&ch <= 'z') || (ch >= 'A'&&ch <= 'Z') || (ch == '\''))
   {
    if (ch >= 'A'&&ch <= 'Z')
     ch += 32;//转换成小写
    t_word.danci[K++] = ch;
    ch = getc(fp);
   }
   t_word.danci[K++] = '\0';

   //一个单词结束
   j = n;

   for (i = 0; i<j; i++) //与前面的单词比较
   {
    if (strcmp(t_word.danci, word[i].danci) == 0)
    {
     word[i].count++;
     break;
    }

   }

   if (n == 0 || i == j)
   {
    word[n] = t_word;
    n++;
   }

  }
 }
 f = (double)clock();
 cout << "读文件,分出单词并统计的时间:" << (f - s) / 1000 << "s" << endl;

 s = (double)clock();
 //输出频率最高的十个单词
 sq frequency_max[10];
 sq temp;
 for (i = 0; i<10; i++)
 {
  frequency_max[i] = word[i];//初始化频率最高的十个单词为前十个单词
 }
 //前十个排序

 for (j = 0; j<10; j++)
 for (i = 0; i<10 - j; i++)
 if (frequency_max[i].count<frequency_max[i + 1].count)
 {
  temp = frequency_max[i];
  frequency_max[i] = frequency_max[i + 1];
  frequency_max[i + 1] = temp;
 }
 for (i = 10; i<n; i++)
 {
  if (frequency_max[9].count<word[i].count)
  {
   int a = 8;
   while (frequency_max[a].count<word[i].count&&a >= 0)
   {
    a--;
   }

   for (j = 9; j>a + 1; j--)
   {
    frequency_max[j] = frequency_max[j - 1];
   }
   if (a<0)
    frequency_max[0] = word[i];
   else
    frequency_max[j] = word[i];
  }
 }
 f = (double)clock();
 cout << "搜索频率最高的10个单词的时间:" << (f - s) << "ms" << endl;
 for (i = 1; i<11; i++)
 {
  cout << setiosflags(ios::left) << setw(10) << frequency_max[i].danci << frequency_max[i].count << endl;
 }
 finish = (double)clock();
 cout << "总运行时间:" << (finish - start) / 1000 << "s" << endl;
 getchar();
 }

 

运行截图：

 

 

 

 

总结：

我发现时间主要花费在文件的io上，由上面截图可以看出链表的效率更低，排序的时间非常少，几乎可以忽略不计。IO由于是与硬件之间的操作，所以花费时间比较多，链表由于需要地址操作，效率也没有数组高。