【算法相关】高频词汇统计C#简易版

其实类似于“出现次数统计”的问题，在很多地方都有遇到过，例如，统计一组数字中，每个数字出现的次数。这类统计大多会朝着一个方向发展，那就是大数据。此篇博客只是初级篇，本人在大数据方面一无所知，不做过多讲解。

C#版高频词汇主要需要去面对的事：

• 将主流格式文档导入至词汇分析系统中，包括.doc, .docx, .pdf , .txt等。
• 运用正则表达式，将文档中无关内容做过滤，例如文档中出现中文或者一些特殊符号等，这些都无需参与统计的。
• 将每个单词分离出来，这里其实是个技术难点（很多单词存在时态上的差异，如：go,went,gone。也有先单词存在单复数上的拼写差异。同时也有些单词存在缩写的形式，例如 you’re, don’t等等）
• 紧接着是要选择一个非常高效的算法，对一份文档的分析可能是比较简单的，可能耗时只有零点几秒，但如果是几千份文档呢？

以上列举的问题有以下解决办法：

• 关于导入不同格式文档的做法还是很简单的，这里就不详细介绍了。
• 过滤无关字符，使用正则表达式，如：Regex reg = new Regex(@"(?i)\b(?![‘-])[a-z‘-]+(?<![‘-])\b");//去除标点，中文
• 而对于不同时态问题的解决办法，最直接的是将所有特殊变化类型的列举出来，毕竟这些特殊情况是有限的，不过单复数可能有存在一些问题，而同时还有个问题存在，那就是大小写的问题，如：You 和 you 是同一个单词，如果全部转小写，可能会存在潜在问题，例如有的单词大写是人名，而小写不是表示人名。
• 而算法方面，我的算法不够优，也希望大神们讲讲思路告诉我，这里有注意到别人的一篇博客，在此引用下别人的做法：

  http://blog.csdn.net/calmreason/article/details/7772132

继续完善的方面有以下几点：

• 算法方面更高效
• 利用网络爬虫直接抓取网页内容，统计大量网页上出现的高频词汇，现在做的都是统计针对本地文档，这太狭隘了。