场景与目标
应用场景
在日志分析、文本统计和自然语言处理等场景中，快速统计词频并将词作为键绑定到 HashMap 的值，可以帮助开发者快速发现高频词和话题趋势。该实战教程围绕使用 Java 的正则表达式来提取词语，并将统计结果以 HashMap<String,Integer> 的形式绑定到词上，形成可查询的键值对集合。
通过本教程，你将掌握从文本中提取可统计的“词”，统一小写、去除标点等归一化步骤，以及利用 HashMap 增量统计的方法，最终输出带有排序信息的结果，方便后续分析和可视化。
核心目标
实现一个完整的实战案例，用正则提取词语、统计词频、以及将统计结果绑定到词作为键，形成可直接使用的数据结构。
同时提供可复用的代码片段，方便你在真实项目中替换输入文本源（文件、数据库、日志流等），并输出 Top-K 或 词云数据 等分析结果。
正则策略与数据结构
正则表达式设计
为了兼容多语言文本，[\\p{L}\\p{N}]+ 能匹配任意语言的字母与数字序列，涵盖中文、英文、数字等字符。
通过 Pattern 与 Matcher 组合，逐词提取可以避免复杂的分词逻辑，确保稳定性和可维护性。
数据结构选择
选用 HashMap<String,Integer>，其中键是单词（词），值是该词出现的次数，实现直观的词频绑定。
若后续需要高频词排序或输出 Top-K，可以将 HashMap 转换为 List<Map.Entry<String,Integer>>，并进行排序。
完整实现
核心方法实现
核心逻辑包括：正则提取、文本归一化、增量统计，以及返回绑定了词频的映射。
下面给出一个简化但完整的核心实现，帮助你把思路落地到代码中。
public class WordFrequencyHashMap {// 使用正则提取单词，支持多语言字符private static final Pattern WORD_PATTERN = Pattern.compile("[\\p{L}\\p{N}]+");public static Map<String, Integer> countWordFrequency(String text) {Map<String, Integer> frequency = new HashMap<>();if (text == null || text.isEmpty()) return frequency;Matcher m = WORD_PATTERN.matcher(text.toLowerCase());while (m.find()) {String word = m.group();frequency.put(word, frequency.getOrDefault(word, 0) + 1);}return frequency;}
}
完整示例与排序输出
要查看结果，可以将统计结果按频次排序后输出，方便识别高频词并进行后续分析。 排序输出 是常见且实用的展示方式。
此外，示例中包含从文件读取文本的能力，便于在实际工程中替换为日志、文档库等数据源。
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.util.*;public class WordFrequencyHashMap {private static final Pattern WORD_PATTERN = Pattern.compile("[\\p{L}\\p{N}]+");public static Map<String, Integer> countWordFrequency(String text) {Map<String, Integer> frequency = new HashMap<>();if (text == null || text.isEmpty()) return frequency;Matcher m = WORD_PATTERN.matcher(text.toLowerCase());while (m.find()) {String word = m.group();frequency.put(word, frequency.getOrDefault(word, 0) + 1);}return frequency;}public static void main(String[] args) throws IOException {String text = Files.readString(Path.of("sample.txt"));Map<String, Integer> freq = countWordFrequency(text);// 将结果按频次从高到低排序freq.entrySet().stream().sorted(Map.Entry.comparingByValue(Comparator.reverseOrder()).thenComparing(Map.Entry.comparingByKey())).forEach(e -> System.out.println(e.getKey() + " : " + e.getValue()));}
}
进一步进阶与应用
从文本源到实际应用
在真实场景中，你可能需要直接从服务器日志、文档库、社交文本等数据源进行统计。只需将输入源替换为你实际的数据流，例如从日志文件、数据库字段、消息队列中的文本读取即可。
为了提升性能，可以考虑使用 并行处理，例如并行流（parallelStream）或分片遍历，确保在多核环境下的吞吐量。
结果后续处理
统计结果还可以进一步加工为 Top-K 列表、词云数据、以及可视化所需的结构，便于前端展示和业务分析。
import java.util.*;
import java.util.stream.Collectors;public class WordFrequencyTransformer {public static List> toTopK(Map freq, int k) {return freq.entrySet().stream().sorted(Map.Entry.comparingByValue(Comparator.reverseOrder()).thenComparing(Map.Entry.comparingByKey())).limit(k).collect(Collectors.toList());}public static List toWordCloudData(Map freq) {return freq.entrySet().stream().sorted(Map.Entry.comparingByValue(Comparator.reverseOrder())).map(Map.Entry::getKey).collect(Collectors.toList());}
}
