[英]How to compare two paragraphs of text?
我需要删除包含许多段落的文本中的重复段落。
我使用类java.security.MessageDigest
函数来计算每个段落的MD5哈希值,然后将这些哈希值添加到Set
。
如果add()
'ed成功,则表示最新段落是重复段落。
这种方式有风险吗?
除了String.equals()
,有没有其他方法可以做到这一点?
在散列之前,您可以规范化段落,例如删除标点,转换为小写并删除其他空格。 规范化后,只有不同的段落会得到相同的哈希值。
如果MD5哈希尚未在集合中,则表示该段落是唯一的。 但事实恰恰相反。 因此,如果您发现散列已经在集合中,则可能具有相同散列值的非重复。 这是不太可能的,但你必须对所有其他人测试该段以确定。 对于String.equals会这样做。
此外,你应该很好地考虑你所谓的独特之处(关于拼写错误,空格,大写字母等),但任何方法都是如此。
没有必要计算MD5哈希值,只需使用HashSet
并尝试将字符串本身放入此集合中。 这将使用String#hashCode()
方法计算String的哈希值,并检查它是否已经在集合中。
public Set removeDuplicates(String[] paragraphs) {
Set<String> set = new LinkedHashSet<String>();
for (String p : paragraphs) {
set.add(p);
}
return set;
}
使用LinkedHashSet
甚至可以保留段落的原始顺序。
我认为这是一个好方法。 但是,有一些事情要记住:
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.