如何对页面源码进行多个关键字查找？
0
悬赏园豆：30
[已解决问题]
解决于 2015-08-03 16:26
RT。我抓取了一个页面的源码，想对里面的内容进行关键字匹配分类并统计有多少个。如：匹配“新闻”有几个，“游戏”有几个，“购物”有几个，“新闻”有几个等等。这个该怎么做。目前我用了一种较笨的方法就是，对源码进行find查找，依次对这几个关键字进行while循环匹配。但这样效率实在是太低了。要是有很多个关键字，查找起来很费时间，请问该怎么做？
问题补充：
这个就是写的小函数，只是粘贴了一部分。写这个函数的思路就是，定义一个数组用于存放关键字的次数，然后分别对里面的关键字进行查找，并使得引用计数加1。最后再再数组中查找一个最大的元素，返回出去。但这样做效率很低，请问该怎么优化？谢谢各位了。
int DownHtml::Judge(const std::string &str) //待优化 { int pos = 0; int count = 0; int a[12] = {0}; while(pos >= 0) { pos = str.find("新闻", pos + 8); a[0] = count++; } pos = 0; count = 0; while(pos >= 0) { pos = str.find("购物", pos + 8); a[1] = count++; } pos = 0; count = 0; while(pos >= 0) { pos = str.find("银行", pos + 8); a[2] = count++; } pos = 0; count = 0; while(pos >= 0) { pos = str.find("集团", pos + 8); a[3] = count++; } int k = 0; int max = a[0]; for (int i = 0; i < 12; i++) { if (a[i] > max) { max = a[i]; k = i; } } return k; }
最佳答案
1
我看了你的算法，有一个想法，我们可以建立一个非常简单的哈希表就能满足要求。由于字符（char）是一个长度为8的数据类型，我们可以和你一样建立一个长度12的数组，而数组中存储的是每组关键字的对应的次数。这样我们就创建了一个以关键字位码的哈希表，我们就扫描一次数组，就统计了所以的关键字个数，用C写的，c++语法全忘记了，这样
空间复杂度：O(1)
时间复杂度：O(n)
还有一些没写了，如果可以就采纳
char KeywordChar(char* pString)
{
//输入不合法
if(!pString)
return 0;
//创建一个哈希表，并初始化
const int tableSize = 12;
int hashTable[tableSize];
for(int i = 0; i < tableSize; i++)
hashTable[i] = 0;
//确定字符串中每个字符出现的次数
char* pHashKey = pString;
while(*(pHashKey) != '\0')
hashTable[*(pHashKey+8)]++;
//如果这个字符串为空，或者字符串中的每个字符都至少出现两次
return 0;
}
收获园豆：30
谢谢解答。估计是我没看明白，觉得有几个地方好像有点问题。总体思路大致是，建立个哈希表，然后依次遍历其中的关键字，然后使得出现的次数加一。但这个算法中是不是没有匹配关键字这一步？
while(*(pHashKey) != '\0')
hashTable[*(pHashKey+8)]++;
这两条语句可以起到这个作用吗？可以详细解答吗？谢谢了。
我说下我上面写的那个函数的思路。
while(pos >= 0) { pos = str.find("新闻", pos + 8); a[0] = count++; }
利用string类的find函数可以定位到第一次出现“新闻”这个关键字的位置，如果找到，使计数加一，然后跳过这个关键字，接着查找，如此循环。
您上面写的哈希表只是8个字节的往后循环吗？但是整个页面源码不小，所以，这样会不会欠妥？或者是我没看懂。。
@东子同学:上面的代码是有问题，其实我的想法就是把如“新闻”当作Key,数量当作Value,进行一次统计，页面源码无论你怎么样，不管你用什么方法，是一定至少遍历一次的，如果你想好看些，比如你说的find,在C#里面用linq更加好统计，但也需要去考虑find,是怎么找到你的关键字的，目前用哈希表是我想到的相对好点的，其他好方法我也不会了
@稳稳的河: 嗯，谢谢。受教了。
其他回答(1)
0
其实使用正则式是个不错的选择，能够直接匹配出你要查询的数量
额。。正则表达式该怎么写？我在网上搜了一下只知道[\u4E00-\u9FA5]这个表达式能匹配到汉字，但是不明白怎么对这个几个指定的汉字进行查找，请老师赐教，谢谢。
@东子同学: 直接匹配你要的“汉字”就好了，
正则表达式没用，还是会每个关键词一次遍历，没有减少复杂度
@稳稳的河: 嗯，那有没有其他可参考的方案？
@东子同学: 你的语言是c++吗？
@稳稳的河: 是的。c++。
@东子同学: 在后面回复了一个思路
