a tiny Java program for comparing text similarity
本程序能够比较两个DOC文档的相似性,可以统计出两个文档之间中有多少相同字符,多少不同字符,并且能够统计出前10个高频字词。
语言:Java
依赖包:使用了 poi-scratchpad 的jar包和相关依赖包,另外导入了poi-ooxml 的jar包以实现 .docx 文件的读取。
首先,创建File类来存储文件text1.doc和text2.doc(后文以文件a和b表示)的文件内容。然后使用ArrayList动态数组来根据需要存储各种类型的字词,如使用same保存a和b中相同的字词,diffa和diffb分别保存a和b中不同的字词(不重复)。至于相同与不同字词的分类保存,只需利用循环遍历字词,并加一个判断即可。