如何将字符串拆分为所有可能的n-gram /所有可能的6-gram

Question

好，这是我的输入

产品名称

机械

大型机械

农业机械

苹果汁

果汁机

软件开发

业务发展

软件许可

蛋

...

产品名称可以是长度可变的任何字符串-Min（Length（））实际上是3，但假设Max（Length（））可以是15到50（？）之间的任何值。

我需要的是

a）从上面的源列表中提取所有可能的6克（保存在某处？）b）了解在源列表中可以找到这些6克中的每一个的频率

a）“机械”，“机器”，“机械师”，“内衣”，“ inery”，“书呆子”，“ ery，B”，“ ry，Bi”……“ icensi”，“ censin”，“ ensing”，“ Eggs”

b）基本上，从产品名称为'％<6-gram>％'的产品中选择SELECT <6-gram> AS gram，COUNT（*）（或者，如果克存储在不同的表中，则可以使用JOIN）

我可以使用TJava组件和GlobalVar Set对象（如此处所示： http ：//bekwam.blogspot.de/2012/08/iterating-over-java-collection-with.html）来实现，将一个String放在时间到TJava组件中，并制作一组所有可能的6克，可以随后进行处理。 （设置，因为我不需要重复）

有没有更简单，更好的方法来做到这一点？ 最好没有TJava组件？ 我99％的时间都使用Talend Open Studio进行数据集成，也许其他组件可以做到这一点？ 如果没有更好的方法，我该如何重用其他Jobs＆Projects中的代码/通过选择4克，5克，n克来使其更具动态性。

第一个问题在这里提出，请原谅我，如果它不够具体/英语不好/不够精确。 批评欢迎

选择来自德国的问候Stefan

Answer 1

没有使它可重用的组件，只需使用用户例程 ，该例程可从项目中的任何作业中看到。 另一种方法是将其打包到jar文件中，并在需要使用tLibraryLoad加载时加载 。 要使代码动态化，可以使用上下文变量并将其传递给您的方法，如下所示： MyStaticRoutine.getNgrams(input,n);