在java中跟蹤轉換後的字符串的原始位置

Question

我正在研究源代碼剽竊算法（風選算法）的實現，並遇到需要一些幫助的問題。

實施例： 我有一個字符串

String test="blahello,,,,/blatestbla7234///§"§$%"%$\n\n23344)§()(§$blablayeahbla"; 

和變換這個字符串

test="blahelloblatestblablablayeahbla" 

和從該字符串我建立例如5-克

blahe lahel ahell hello ellob llobl .... ahbla 

我kgrams將kgram保存在一個字符串列表中，但也想保存開始和結束位置fr om每個kgram的原始文本，所以我可以在最後引用每個kgram回到它們的原始文本位置。

編輯：

所以我的問題是我怎麼能得到一個的kgram 誰能幫我那裏的開始和結束位置？你有什麼主意嗎？ 在此先感謝。

Answer 1

如果您想要原始字符串的位置，您不能先刪除非字母或信息丟失。您需要直接在原始字符串中找到kgram（更多CPU時間），或者將每個字母的原始位置與修改的字符串（更多的內存空間）一起存儲。

這裏是後者的實現：

import java.util.ArrayList; 
import java.util.Arrays; 
import java.util.List; 

public class KGram { 

    public final String str; 
    public final int start; 
    public final int end; 

    public KGram(String str, int start, int end) { 
     this.str = str; 
     this.start = start; 
     this.end = end; 
    } 

    @Override 
    public String toString() { 
     return "KGram[\"" + str + "\":" + start + "," + end + "]"; 
    } 

    public static List<KGram> extractFrom(String input, int size) { 
     char[] chars = new char[input.length()]; 
     int[] indexes = new int[input.length()]; 
     int len = 0; 

     for (int i = 0; i < input.length(); i++) { 
      char c = input.charAt(i); 
      if (!Character.isLetter(c)) continue; 

      chars[len] = c; 
      indexes[len] = i; 
      len++; 
     } 

     List<KGram> kgrams = new ArrayList<>(); 
     for (int i = 0, j = size - 1; j < len; i++, j++) { 
      String str = new String(Arrays.copyOfRange(chars, i, j + 1)); 
      kgrams.add(new KGram(str, indexes[i], indexes[j])); 
     } 
     return kgrams; 
    } 
} 

例子：

String test = "blahello,,,,/blatestbla7234///§\"§$%\"%$\n\n23344)§()(§$blablayeahbla"; 
List<KGram> kgrams = KGram.extractFrom(test, 5); 

System.out.println(kgrams.get(4)); // prints KGram["ellob":4,13] 
System.out.println(kgrams.get(26)); // prints KGram["ahbla":60,64]