Erlang实战：建立文本索引

为文本建立索引是文本信息处理的一个重要的任务，给定一个由英文单词构成的文件，为文件中所有单词建立索引，记录每个单词出现的行号和每行出现的次数，并将索引存入一个文件。在Erlang实战练习（六）中我强调了当时建立文本索引的时候太粗糙，一是使用了尽量规避的进程字典的方式；二是分词使用的是正则表达式，不够灵活。本文将改进我以前建立文本索引的方式，使用ETS来存储单词及其索引列表，同时拆分词使用Erlang提供的string：token模块，更加灵活和可移植性。

word_index.erl文件的总体结构如下：

-module(word_index).
-export([start/2]).
-import(re, [run/2,replace/4]).
-import(string,[substr/3]).

%% start两个参数：FileIn表示要建立索引的文本文件，FileOut表示索引保存的目标文件
start(FileIn,FileOut) ->
    {_First,Second} = file:open(FileIn,read),%% 只读打开FileIn文件
　　　if
        _First =:= ok ->
            LineList = readFile(Second,0),%% 函数readFile/2的功能是将文本以行为单位，存入列表         
　　　　　　　%io:format("~nfile contents:~p~n",[LineList]),
            TableID = ets:new(index,[ordered_set]),%% ets:new创建一个“键值”搜索表，存储键值映射元祖，设置表名为index,表的类型为ordered_set         
　　　　　　　index(FileOut,LineList,TableID);%% 为文本中的每一行建立单词索引       
　　　　　　　_First =/= ok ->
            io:format("Open file error: file doesn't exist!")
    end.

readFile/2函数代码如下：

%% 读取文本每一行，以{Line,LineNo}为元组存入列表中
readFile(S, LineNo) -> readFile(S,LineNo,[]).

readFile(S, LineNo, Ret) ->
    UpdateLineNo = LineNo +1,
    OneLine = io:get_line(S,''),%% 读取文件中的一行内容   
　　 if
        OneLine =:= eof ->
             io:format("Read file EOF!"),
             file:close(S),
             lists:reverse(Ret);
        OneLine =/= eof ->
            readFile(S,UpdateLineNo, [{OneLine,UpdateLineNo} | Ret])
    end.

index/3函数代码如下：

index(File,LineList,TableID) ->
    if
        length(LineList) =:= 0 ->
            ToList = ets:tab2list(TableID),
            io:format("index is:~n~p~n",[ToList]),
            writeToFile(File,ToList),
            io:format("create index success! ");
        length(LineList) =/= 0 ->
            First = lists:nth(1,LineList),
            processOneLine(First,TableID),
            index(File,lists:delete(First, LineList), TableID)            
    end.

%% 处理一行文本
processOneLine(OneLine, TableID) ->
    {Element, LineNo } = OneLine,
    %io:format("Line no:~p~n",[LineNo]),
    Words = string:tokens(Element,"\n\t "),
    matchWords(Words,LineNo,TableID).

matchWords([], LineNo, TableID) -> 
    io:format("process line(~p) success!~n",[LineNo]);
    
matchWords(Words, LineNo, TableID) ->
    %io:format("Words:~p~n",[Words]),
    Word = lists:nth(1,Words),
    _Value = ets:lookup(TableID,Word),%%返回值为匹配Word的元组列表    
　　 if
        length(_Value) =:= 0 -> %% Word还未被索引，直接插入此Word索引         
　　　　　　　ets:insert(TableID,{Word,[{LineNo,1}]} );
        length(_Value) =/= 0 -> %% Word已被索引，更新Word索引列表          
　　　　　　　KVs = lists:nth(1,_Value),
            Value = element(2,KVs),
            ets:insert(TableID,{Word, insertRec(Value,LineNo) } )
    end,
    matchWords(lists:delete(Word, Words), LineNo, TableID).

%% 处理行号与出现次数元组列表
insertRec(List,LineNo) -> insertRec(List,LineNo,length(List)).

insertRec(List, LineNo, 0) -> 
    [{LineNo, 1} |List];
insertRec(List, LineNo, Ret) ->
    First = lists:nth(Ret,List),
    {LN, Num} = First,
    if
        LN =:= LineNo ->
            Temp = lists:delete(First, List),
            [{LineNo, Num+1} | Temp];
        LN =/= LineNo ->
            insertRec(List, LineNo, Ret-1)
    end.
            

%% 将索引写入文件
writeToFile(File,ToList) ->
    {ok,S} = file:open(File,write),
    lists:foreach(fun(X) -> io:format(S,"~p.~n",[X]) end, ToList),
    file:close(S).

至此，我已经将使用ets存储键值大型表来存储单词索引列表的程序讲完了，大家自己回去动手试验吧。本文是继续上文的一个续篇，是一种改进的建立文本索引方式。以后我还好继续通过实战练习来探讨Erlang的学习与总结思考，谢谢大家的关注。

 

注：如无特殊说明，本博客内容纯属原创，转载请注明：http://www.cnblogs.com/itfreer/ | IT闲人，谢谢！