Apache Tika를 사용하여 텍스트를 추출한 다음 보조 단어를 제거한 후 자주 단어를 가져 오는 것

Question

Tika와 lucene을 사용하여 sample.pdf 파일의 텍스트를 추출한 다음 단어를 제거하려고 시도한 다음 텍스트에서 나머지 단어 (단어 제외)의 단어 수를 구합니다. .

내 sample.pdf는 포함 아래

This is java related information it contains java prg. 

는

String[] stopwords ={"a", "about", "above", "above", "across", "after", "afterwards", "again", "against", "all", "almost", 
         "alone", "along", "already", "also","although","always","am","among", "amongst", "amoungst", "amount", "an", "and", 
         "another", "any","anyhow","anyone","anything","anyway", "anywhere", "are", "around", "as", "at", "back","be","became", 
         "because","become","becomes", "becoming", "been", "before", "beforehand", "behind", "being", "below", "beside", "besides", 
         "between", "beyond", "bill", "both", "bottom","but", "by", "call", "can", "cannot", "cant", "co", "con", "could", "couldnt", 
         "cry", "de", "describe", "detail", "do", "done", "down", "due", "during", "each", "eg", "eight", "either", "eleven","else", 
         "elsewhere", "empty", "enough", "etc", "even", "ever", "every", "everyone", "everything", "everywhere", "except", "few", 
         "fifteen", "fify", "fill", "find", "fire", "first", "five", "for", "former", "formerly", "forty", "found", "four", "from", 
         "front", "full", "further", "get", "give", "go", "had", "has", "hasnt", 
         "have", "he", "hence", "her", "here", "hereafter", "hereby", "herein", "hereupon", "hers", "herself", 
         "him", "himself", "his", "how", "however", "hundred", "ie", "if", "in", "inc", "indeed", "interest", "into", 
         "is", "it", "its", "itself", "keep", "last", "latter", "latterly", "least", "less", "ltd", "made", "many", 
         "may", "me", "meanwhile", "might", "mill", "mine", "more", "moreover", "most", "mostly", "move", "much", "must", 
         "my", "myself", "name", "namely", "neither", "never", "nevertheless", "next", "nine", "no", "nobody", "none", 
         "noone", "nor", "not", "nothing", "now", "nowhere", "of", "off", "often", "on", "once", "one", "only", "onto", 
         "or", "other", "others", "otherwise", "our", "ours", "ourselves", "out", "over", "own","part", "per", "perhaps", 
         "please", "put", "rather", "re", "same", "see", "seem", "seemed", "seeming", "seems", "serious", "several", "she", 
         "should", "show", "side", "since", "sincere", "six", "sixty", "so", "some", "somehow", "someone", "something", 
         "sometime", "sometimes", "somewhere", "still", "such", "system", "take", "ten", "than", "that", "the", "their", 
         "them", "themselves", "then", "thence", "there", "thereafter", "thereby", "therefore", "therein", "thereupon", 
         "these", "they", "thickv", "thin", "third", "this", "those", "though", "three", "through", "throughout", "thru", 
         "thus", "to", "together", "too", "top", "toward", "towards", "twelve", "twenty", "two", "un", "under", "until", 
         "up", "upon", "us", "very", "via", "was", "we", "well", "were", "what", "whatever", "when", "whence", "whenever", 
         "where", "whereafter", "whereas", "whereby", "wherein", "whereupon", "wherever", "whether", "which", "while", 
         "whither", "who", "whoever", "whole", "whom", "whose", "why", "will", "with", "within", "without", "would", "yet", 
         "you", "your", "yours", "yourself", "yourselves","1","2","3","4","5","6","7","8","9","10","1.","2.","3.","4.","5.","6.","11", 
         "7.","8.","9.","12","13","14","A","B","C","D","E","F","G","H","I","J","K","L","M","N","O","P","Q","R","S","T","U","V","W","X","Y","Z", 
         "terms","CONDITIONS","conditions","values","interested.","care","sure",".","!","@","#","$","%","^","&","*","(",")","{","}","[","]",":",";",",","<",".",">","/","?","_","-","+","=", 
         "a","b","c","d","e","f","g","h","i","j","k","l","m","n","o","p","q","r","s","t","u","v","w","x","y","z", 
         "contact","grounds","buyers","tried","said,","plan","value","principle.","forces","sent:","is,","was","like", 
         "discussion","tmus","diffrent.","layout","area.","thanks","thankyou","hello","bye","rise","fell","fall","psqft.","http://","km","miles"}; 

       Map map = new TreeMap(); 
        File file1 = new File("C://sample.pdf"); 
        InputStream input = new FileInputStream(file1);   
        Metadata metadata = new Metadata(); 
        BodyContentHandler handler = new BodyContentHandler(10*1024*1024); 
        AutoDetectParser parser = new AutoDetectParser();  
        parser.parse(input, handler, metadata); 
        Document doc = new Document(); 
       doc.add(new Field("contents",handler.toString(),Field.Store.NO,Field.Index.ANALYZED)); 
       String result = doc.toString(); 
       String[] res=result.split(" "); 
       for (int i=0;i<res.length;i++) 
       { 
       int flag=1; 
        String s1=res[i].toLowerCase(); 

        for(int j=0;j<stopwords.length;j++){ 
         if(s1.equals(stopwords[j])) 
          { 
          flag=0; 
          } 
        if(flag!=0) 
        { 
        if (s1.length() > 0) { 

         Integer frequency = (Integer) map.get(s1); 
           if (frequency == null) { 
           frequency = ONE; 
           } else { 

           int value = frequency.intValue(); 
           frequency = new Integer(value + 1); 
          } 
           map.put(s1, frequency); 
          } 
           } 
       } 
       } 
       input.close(); 
       System.out.println("Finalresult:"+map); 
       } 

내가지고있어

Finalresult:{contains=456, document<indexed,tokenized<contents:this=456, information=456, is=139, it=140, java=912, prg=456, related=456} 

내가 다음과 같은 출력을 얻을해야 정확하지 않은 출력 다음 내 코드입니다

information=1,java=2, prg=1, related=1 

필요한 출력을 얻으려면 제게 제안 해주십시오. 감사합니다.

Answer 1

일관된 코드 서식이 중요한 이유의 예처럼 보입니다. 좋은 들여 쓰기는 아마 당신에게이 이슈의 원인을 훨씬 더 분명하게 만듭니다.

for (int i=0;i<res.length;i++) 
{ 
    int flag=1; 
    String s1=res[i].toLowerCase(); 

    for(int j=0;j<stopwords.length;j++) 
    { 
     if(s1.equals(stopwords[j])) 
     { 
      flag=0; 
     } 
     // -------- We are still looping through stopwords! This for loop should be closed here! --------- 
     if(flag!=0) 
     { 
      if (s1.length() > 0) 
      { 
       //Now this is going to add to the list for every entry in stopwords, until we find a match! 
       Integer frequency = (Integer) map.get(s1); 
       if (frequency == null) 
       { 
        frequency = ONE; 
       } else 
       { 
        int value = frequency.intValue(); 
        frequency = new Integer(value + 1); 
       } 
       map.put(s1, frequency); 
      } 
     } 
    } 
} 

우리는 볼 수 있듯이 정지 단어가 456 개 있습니다. 보고있는 동작은 모두 문자가 부족하기 때문에 발생합니다. }