Analyser le contenu d'un texte
A partir d'un fichier texte ou d'un string, la class extrait les données suivantes:- charsize(): longueur du texte (en caractère),
- linecount(): nombre de ligne,
- wordcount(): nombre de mot,
- letterFrequency(): analyse fréquentielle.
import java.io.BufferedReader;
import java.io.FileNotFoundException;
import java.io.FileReader;
import java.io.IOException;
import java.util.StringTokenizer;
import java.util.logging.Level;
import java.util.logging.Logger;
/**
* Calculer la frequence des caractères d'un texte en français
* @author fobec.com 2011
*/
public class TextAnalyser {
/**
* Texte à analyser
*/
private String mytext = "";
/**
* nombre de ligne dans le texte
*/
private int linecount = 0;
/**
* Fixer le texte à partir d'un string
* @param text
*/
public void assign(String text) {
this.mytext = text;
StringTokenizer st = new StringTokenizer(this.mytext, System.getProperty("line.separator"));
this.linecount = st.countTokens();
}
/**
* Charger le texte à partir d'un fichier
* @param filename nom du fichier
*/
public void loadfile(String filename) {
FileReader filereader = null;
StringBuffer contents = new StringBuffer();
try {
filereader = new FileReader(filename);
BufferedReader bufferReader = new BufferedReader(filereader);
String line = null;
while ((line = bufferReader.readLine()) != null) {
contents.append(line).append(System.getProperty("line.separator"));
this.linecount ;
}
} catch (FileNotFoundException ex) {
Logger.getLogger(TextAnalyser.class.getName()).log(Level.SEVERE, null, ex);
} catch (IOException ex) {
Logger.getLogger(TextAnalyser.class.getName()).log(Level.SEVERE, null, ex);
}
this.mytext = contents.toString();
}
/**
* Nombre de caractère
* @return
*/
public int charsize() {
return this.mytext.length();
}
/**
* Nombre de ligne
* @return
*/
public int linecount() {
return this.linecount;
}
/**
* Nombre de mot
* @return
*/
public int wordcount() {
StringTokenizer st = new StringTokenizer(this.mytext);
return st.countTokens();
}
/**
* Frequence de caractère
* @return
*/
public int[] letterFrequency() {
int[] freqs = new int[26];
String text = this.mytext.toLowerCase();
char[] chars = text.toCharArray();
int p = 0;
int len = text.length();
for (int i = 0; i < len; i ) {
p = chars[i] - 97;
if (p > -1 && p < 27) {
freqs[p] ;
}
}
return freqs;
}
/**
* Exemple
* @param args
*/
public static void main(String[] args) {
TextAnalyser textAnalyser = new TextAnalyser();
textAnalyser.loadfile("c://123.txt");
System.out.println("Analyse du texte");
System.out.println("---------------------------------------------------");
System.out.println("Taille: " textAnalyser.charsize() " caracteres");
System.out.println("Longueur: " textAnalyser.linecount() " lignes");
System.out.println("Contenu: " textAnalyser.wordcount() " mots");
System.out.println();
System.out.println("Frequence des caracteres");
System.out.println("---------------------------------------------------");
int[] freq = textAnalyser.letterFrequency();
int charsum=0;
/**
* Nombre de caractère conmpris entre [a..z]
*/
for (int i = 0; i < 26; i ) {
charsum =freq[i];
}
int c;
float f=0;
/**
* Analyse frequentielle des caractères
*/
for (int i = 0; i < 26; i ) {
c=i 97;
f=freq[i]*100;
System.out.println((char)c " -> " freq[i] " fois - " f/charsum " %");
}
}
}
Exemple d'analyse de texte
---------------------------------------------------
Taille: 8302 caractères
Longueur: 301 lignes
Contenu: 1204 mots
Fréquence des caractères
---------------------------------------------------
a -> 417 fois soit 7.954979 %
b -> 46 fois soit 0.87752765 %
c -> 194 fois soit 3.7008774 %
d -> 201 fois soit 3.8344142 %
e -> 738 fois soit 14.078596 %
f -> 73 fois soit 1.3925983 %
g -> 66 fois soit 1.2590615 %
h -> 63 fois soit 1.2018313 %
i -> 442 fois soit 8.431896 %
j -> 76 fois soit 1.4498283 %
k -> 20 fois soit 0.38153377 %
l -> 213 fois soit 4.0633345 %
m -> 171 fois soit 3.2621138 %
n -> 377 fois soit 7.1919117 %
o -> 259 fois soit 4.940862 %
p -> 147 fois soit 2.8042731 %
q -> 54 fois soit 1.0301411 %
r -> 361 fois soit 6.8866844 %
s -> 434 fois soit 8.279283 %
t -> 372 fois soit 7.096528 %
u -> 383 fois soit 7.3063717 %
v -> 41 fois soit 0.78214425 %
w -> 49 fois soit 0.9347577 %
x -> 13 fois soit 0.24799694 %
y -> 28 fois soit 0.53414726 %
z -> 4 fois soit 0.07630675 %
Remarque sur la fréquence des caractères
En fait, le fichier 123.txt contient le texte d'une page web pris au hasard pour tester la class. L'analyse fréquentielle nous apprend que les 5 caractères les plus utilisés dans ce texte sont E, A, S, I, U alors que les lettres les plus utilisées en français sont E, A, I, S, T. Les valeurs sont proches et effectivement, le fichier 123.txt contient une discussions d'un forum français.Ce genre d'analyse peut être poussé plus loin en calculant la longueur moyenne des mots (charsum/1204) ou encore en estimant la proportion du style (charsum/8302).