Java中如何将多文件词频统计结果以矩阵形式写入文件？

当然可以实现这个需求！我来给你拆解清晰的实现思路，再附上可落地的代码示例：

核心实现步骤 #

• 第一步：收集全局词汇库：先遍历所有要处理的文件，统计每个文件的词频，同时把所有出现过的单词收集到一个全局集合里——这就是矩阵的列标题来源，确保每个文件的统计结果都能对应到相同的列。
• 第二步：构建矩阵数据：用一个Map存储「文件名→该文件的词频Map」的映射，这样后续可以快速查询每个文件中某个单词的出现次数，没有出现的就填0。
• 第三步：格式化写入文件：按照你想要的表格格式，先输出表头（所有全局单词），再逐行输出每个文件名和对应的词频数值，最后把结果写入目标文件。

具体代码实现 #

首先，我们可以完善单个文件的词频统计方法（顺便优化编码和分词逻辑，解决你输出里的乱码问题）：

// 统计单个文件的词频，支持指定UTF-8编码，同时做简单的单词清洗
public Map<String, Integer> getWordCount(String filePath) {
    Map<String, Integer> wordMap = new HashMap<>();
    // 指定UTF-8编码读取文件，避免乱码
    try (BufferedReader br = new BufferedReader(
             new InputStreamReader(new FileInputStream(filePath), StandardCharsets.UTF_8))) {
        String line;
        while ((line = br.readLine()) != null) {
            // 按空格分词，可根据需求调整分词规则
            String[] words = line.split("\\s+");
            for (String word : words) {
                // 清洗单词：去掉非字母字符（适配你的语言字符）、转小写
                word = word.replaceAll("[^a-zA-Z\u00C0-\u017F]", "").toLowerCase();
                if (!word.isEmpty()) {
                    wordMap.put(word, wordMap.getOrDefault(word, 0) + 1);
                }
            }
        }
    } catch (IOException e) {
        System.err.println("读取文件失败：" + filePath);
        e.printStackTrace();
    }
    return wordMap;
}

然后是生成矩阵的核心逻辑：

import java.io.*;
import java.util.*;
import java.nio.charset.StandardCharsets;

public class MaxDuplicateWordCount {

    // 上面的getWordCount方法放在这里

    public void generateWordFrequencyMatrix(List<String> filePaths, String outputFilePath) {
        // 存储每个文件的词频：键是文件名，值是该文件的词频Map
        Map<String, Map<String, Integer>> fileWordCounts = new HashMap<>();
        // 存储所有出现过的单词，用TreeSet自动按字典序排序，让表头更整齐
        Set<String> allUniqueWords = new TreeSet<>();

        // 第一步：遍历所有文件，收集词频和全局单词
        for (String filePath : filePaths) {
            Map<String, Integer> wordCount = getWordCount(filePath);
            String fileName = new File(filePath).getName();
            fileWordCounts.put(fileName, wordCount);
            allUniqueWords.addAll(wordCount.keySet());
        }

        // 第二步：写入矩阵到目标文件
        try (PrintWriter writer = new PrintWriter(
                 new OutputStreamWriter(new FileOutputStream(outputFilePath), StandardCharsets.UTF_8))) {
            // 输出表头行
            writer.print(" | ");
            for (String word : allUniqueWords) {
                // 用%-15s控制列宽，确保单词对齐，可按需调整数值
                writer.printf("%-15s | ", word);
            }
            writer.println();

            // 输出表头下方的分隔线
            writer.print("---");
            for (int i = 0; i < allUniqueWords.size(); i++) {
                writer.print("-------------------");
            }
            writer.println();

            // 输出每个文件的统计行
            for (Map.Entry<String, Map<String, Integer>> entry : fileWordCounts.entrySet()) {
                String fileName = entry.getKey();
                Map<String, Integer> wordCount = entry.getValue();

                // 输出文件名列
                writer.printf("%-20s | ", fileName);
                // 输出每个单词的出现次数，没有出现的填0
                for (String word : allUniqueWords) {
                    int count = wordCount.getOrDefault(word, 0);
                    writer.printf("%-15d | ", count);
                }
                writer.println();

                // 可选：每行之间添加分隔线，让表格更清晰
                writer.print("---");
                for (int i = 0; i < allUniqueWords.size(); i++) {
                    writer.print("-------------------");
                }
                writer.println();
            }

            System.out.println("矩阵文件已成功生成：" + outputFilePath);
        } catch (IOException e) {
            System.err.println("写入矩阵文件失败");
            e.printStackTrace();
        }
    }

    public static void main(String[] args) {
        MaxDuplicateWordCount mdc = new MaxDuplicateWordCount();
        // 替换成你要处理的文件路径列表
        List<String> targetFiles = Arrays.asList(
            "C:/Users/Arnoldas/Desktop/Hamletas.txt",
            "C:/Users/Arnoldas/Desktop/Other_file.txt"
        );
        // 替换成矩阵文件的输出路径
        mdc.generateWordFrequencyMatrix(targetFiles, "C:/Users/Arnoldas/Desktop/word_freq_matrix.txt");
    }
}

额外优化建议 #

• 乱码问题：代码里已经指定了UTF-8编码读取和写入文件，能解决你当前输出里的乱码问题；
• 列宽调整：代码中的%-15s和%-20s是控制列的宽度，你可以根据单词的平均长度调整数值，让表格更整齐；
• 分词规则：如果你的文本有特殊的分词需求（比如连字符单词、缩写），可以修改split的正则表达式或者自定义分词逻辑；
• 性能优化：如果处理超大文件，可以考虑用流式处理或者多线程并行统计，但一般小文件用当前逻辑足够。

内容的提问来源于stack exchange，提问作者Arnas Arnelis