等
+ * @param input
+ * @return
+ */
+ public static String removeHtmlTags(String input) {
+ if (input == null || input.isEmpty()) {
+ return input;
+ }
+ // 使用replaceAll方法替换匹配的HTML标签为空字符串
+ return input.replaceAll(HTML_TAG_REGEX, "");
+ }
+
+ // 这是一个简化的正则表达式，用于匹配常见的emoji表情符号。
+ // 请注意，它可能不会涵盖所有可能的emoji，因为Unicode标准在不断发展。
+ private static final String EMOJI_REGEX = "[\\uD83C-\\uD83D\\uD83E-\\uD83F\\u2600-\\u27FF"
+ + "\\u2B00-\\u2BFF\\u2F00-\\u2FFF\\u3000-\\u303F"
+ + "\\u3200-\\u32FF\\uA490-\\uA4CF\\uA900-\\uA97F"
+ + "\\uAC00-\\uAC7F\\uAC80-\\uACFF\\uD700-\\uD7AF"
+ + "\\uF900-\\uFAFF\\uFB00-\\uFB4F\\uFB50-\\uFDFF"
+ + "\\uFE00-\\uFE6F\\uFE70-\\uFEFF\\uFF00-\\uFFEF]";
+
+ /**
+ * 去除表情
+ *
+ * 去除文档中的表情，如‘🐰’、‘👵’等
+ * @param input
+ * @return
+ */
+ public static String removeEmojis(String input) {
+ if (input == null || input.isEmpty()) {
+ return input;
+ }
+ Pattern pattern = Pattern.compile(EMOJI_REGEX, Pattern.UNICODE_CASE | Pattern.CASE_INSENSITIVE);
+ Matcher matcher = pattern.matcher(input);
+ return matcher.replaceAll("");
+ }
+
+ // 正则表达式用于匹配中文词汇（这里假设词汇由连续的中文字符组成）
+ private static final String CHINESE_WORD_REGEX = "[\\u4e00-\\u9fff]+";
+
+ // 方法：计算字符串中的中文字符数量
+ // 注意：这里假设输入字符串只包含中文字符和可能的分隔符（如空格、标点符号等）
+ // 并且中文字符在UTF-16编码中占用两个char，但被视为一个逻辑字符
+ private static int countChineseChars(String input) {
+ // 使用正则表达式匹配中文词汇，并计算匹配到的字符总数（这里需要除以2，因为每个中文字符占用两个char）
+ // 但为了简化，我们可以直接遍历字符，检查每个字符是否在中文范围内
+ int count = 0;
+ for (char c : input.toCharArray()) {
+ if (Character.UnicodeBlock.of(c) == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS
+ || Character.UnicodeBlock.of(c) == Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS
+ || Character.UnicodeBlock.of(c) == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A
+ // 可以根据需要添加更多Unicode块
+ ) {
+ count++;
+ }
+ }
+ return count;
+ }
+
+ /**
+ * 检查文档的词数目
+ * 词数目不在指定范围会被过滤掉，如中文[1,1000000]
+ * @param text
+ * @param minChars
+ * @param maxChars
+ * @return
+ */
+ public static List filterWords(String text, int minChars, int maxChars) {
+ List result = new ArrayList<>();
+ Pattern pattern = Pattern.compile(CHINESE_WORD_REGEX);
+ Matcher matcher = pattern.matcher(text);
+
+ while (matcher.find()) {
+ String word = matcher.group();
+ int chineseCharCount = countChineseChars(word); // 计算中文字符数量
+ if (chineseCharCount >= minChars && chineseCharCount <= maxChars) {
+ result.add(word);
+ }
+ }
+ return result;
+ }
+
+ /**
+ * 检查文档的字重复率
+ *
+ * 如果字重复率太高，意味着文档中重复的字太多，文档会被过滤掉
+ * @param lines 文档行列表
+ * @param threshold // 设置字重复率的阈值，例如10%
+ * @return
+ */
+ public static boolean calculateCharacterRepetitionRate(List lines, double threshold) {
+ StringBuilder content = new StringBuilder();
+ for (String line : lines) {
+ content.append(line);
+ }
+
+ // 统计字符出现次数
+ Map charCount = new HashMap<>();
+ for (char c : content.toString().toCharArray()) {
+ charCount.put(c, charCount.getOrDefault(c, 0) + 1);
+ }
+
+ // 计算重复字符数和总字符数
+ int totalChars = content.length();
+ int repeatedChars = 0;
+ for (int count : charCount.values()) {
+ if (count > 1) {
+ repeatedChars += count - 1; // 只计算重复的部分
+ }
+ }
+
+ // 计算字重复率
+ double repetitionRate = (double) repeatedChars / totalChars;
+
+ // 打印重复率和阈值，方便调试
+ System.out.println("字重复率: " + repetitionRate);
+ System.out.println("阈值: " + threshold);
+
+ // 如果重复率超过阈值，返回true表示需要过滤掉文档
+ return repetitionRate > threshold;
+ }
+
+ // 简单的基于空格和标点符号的分词方法
+ private static List tokenize(String text) {
+ // 使用正则表达式匹配非单词字符（包括空格、标点符号等），并将它们作为分隔符
+ Pattern pattern = Pattern.compile("\\W+");
+ String[] words = pattern.split(text.toLowerCase()); // 转换为小写以进行不区分大小写的比较
+ List tokens = new ArrayList<>();
+ for (String word : words) {
+ if (!word.isEmpty()) { // 排除空字符串
+ tokens.add(word);
+ }
+ }
+ return tokens;
+ }
+
+ // 方法：计算文档的词重复率
+
+ /**
+ * 检查文档的词重复率
+ *
+ * 如果词重复率太高，意味着文档中重复的词太多，文档会被过滤掉
+ * @param content
+ * @param threshold
+ * @return
+ */
+ public static boolean calculateWordRepetitionRate(String content, double threshold) {
+ // 分词
+ List words = tokenize(content);
+
+ // 统计词出现次数
+ Map wordCount = new HashMap<>();
+ for (String word : words) {
+ wordCount.put(word, wordCount.getOrDefault(word, 0) + 1);
+ }
+
+ // 计算重复词数和总词数
+ int totalWords = words.size();
+ int repeatedWords = 0;
+ for (int count : wordCount.values()) {
+ if (count > 1) {
+ repeatedWords += (count - 1); // 只计算重复的部分
+ }
+ }
+
+ // 计算词重复率
+ double repetitionRate = (double) repeatedWords / totalWords;
+
+ // 打印重复率和阈值，方便调试
+ System.out.println("词重复率: " + repetitionRate);
+ System.out.println("阈值: " + threshold);
+
+ // 如果重复率超过阈值，返回true表示需要过滤掉文档
+ return repetitionRate > threshold;
+ }
+
+ /**
+ * 检查文档的特殊字符率
+ * 如果特殊字符率太高，意味着文档中特殊字符太多，文档会被过滤掉
+ * @param content
+ * @param threshold
+ * @return
+ */
+ public static boolean checkSpecialCharacterRate(String content, double threshold) {
+
+ // 使用正则表达式匹配特殊字符（非字母数字字符）
+ Pattern pattern = Pattern.compile("[^a-zA-Z0-9]");
+ Matcher matcher = pattern.matcher(content);
+
+ // 统计特殊字符的数量
+ int specialCharCount = 0;
+ while (matcher.find()) {
+ specialCharCount++;
+ }
+
+ // 计算文档的总字符数（不包括换行符等空白字符，可以根据需要调整）
+ int totalCharCount = content.length(); // 或者使用 content.replaceAll("\\s+", "").length() 来排除空白字符
+
+ // 计算特殊字符率
+ double specialCharRate = (double) specialCharCount / totalCharCount;
+
+ // 打印特殊字符率和阈值，方便调试
+ System.out.println("特殊字符率: " + specialCharRate);
+ System.out.println("阈值: " + threshold);
+
+ // 如果特殊字符率超过阈值，返回true表示需要过滤掉文档
+ return specialCharRate > threshold;
+ }
+
+ // 定义一个正则表达式来匹配电子邮件地址
+ private static final String EMAIL_REGEX =
+ "[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\\.[a-zA-Z]{2,6}";
+
+ // 编译正则表达式为Pattern对象
+ private static final Pattern EMAIL_PATTERN = Pattern.compile(EMAIL_REGEX);
+
+ // 去除文本中的电子邮件地址
+ private static String removeEmails(String text) {
+ Matcher matcher = EMAIL_PATTERN.matcher(text);
+ // 使用空字符串替换匹配的电子邮件地址
+ return matcher.replaceAll("");
+ }
+
+ /**
+ * 去除Email
+ *
+ * 去除email地址
+ * @param content
+ */
+ public static String processFile(String content) {
+
+ // 去除电子邮件地址
+ String modifiedContent = removeEmails(content);
+
+ // 或者打印到控制台以查看结果
+ System.out.println(modifiedContent);
+ return modifiedContent;
+ }
+
+ // 定义一个正则表达式来匹配IPv4地址
+ private static final String IPV4_REGEX =
+ "(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\." +
+ "(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\." +
+ "(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\." +
+ "(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)";
+
+ // 定义一个正则表达式来匹配IPv6地址
+ // 这个正则表达式相对简单，可能无法匹配所有复杂的IPv6地址格式
+ // 但它可以匹配常见的IPv6地址，如2001:0db8:85a3:0000:0000:8a2e:0370:7334
+ private static final String IPV6_REGEX =
+ "([0-9a-fA-F]{1,4}:){7}([0-9a-fA-F]{1,4})";
+
+ // 编译IPv4正则表达式为Pattern对象
+ private static final Pattern IPV4_PATTERN = Pattern.compile(IPV4_REGEX);
+
+ // 编译IPv6正则表达式为Pattern对象
+ private static final Pattern IPV6_PATTERN = Pattern.compile(IPV6_REGEX);
+
+ /**
+ * 去除文本中的IPv4和IPv6地址
+ */
+ public static String removeIPAddresses(String text) {
+ Matcher ipv4Matcher = IPV4_PATTERN.matcher(text);
+ text = ipv4Matcher.replaceAll("");
+ Matcher ipv6Matcher = IPV6_PATTERN.matcher(text);
+ return ipv6Matcher.replaceAll("");
+ }
+
+ // 定义一个正则表达式来匹配常见的电话号码格式（这是一个非常简化的示例）
+ private static final String PHONE_REGEX = "\\b\\d{3}-?\\d{2}-?\\d{4}\\b";
+
+ // 定义一个正则表达式来匹配常见的信用卡号格式（16位数字）
+ private static final String CREDIT_CARD_REGEX = "\\b\\d{16}\\b";
+
+ // 定义一个正则表达式来匹配常见的十六进制散列格式（32位十六进制数，用于SHA-256等）
+ private static final String HASH_REGEX = "\\b[a-fA-F0-9]{32}\\b";
+
+ // 编译正则表达式为Pattern对象
+ private static final Pattern PHONE_PATTERN = Pattern.compile(PHONE_REGEX);
+ private static final Pattern CREDIT_CARD_PATTERN = Pattern.compile(CREDIT_CARD_REGEX);
+ private static final Pattern HASH_PATTERN = Pattern.compile(HASH_REGEX);
+
+ // 定义一个年份格式
+ private static final DateTimeFormatter YEAR_FORMAT = DateTimeFormatter.ofPattern("yyyy");
+
+ // 定义一个集合来存储要跳过的年份（这里我们假设跳过当前年份和前几年的范围）
+ private static final Set YEARS_TO_SKIP = new HashSet<>();
+
+ static {
+ int currentYear = Year.now().getValue();
+ for (int i = currentYear - 5; i <= currentYear + 5; i++) {
+ YEARS_TO_SKIP.add(String.valueOf(i));
+ }
+ }
+
+ /**
+ * 去除数字
+ *
+ * 去除数字和字母数字标识符，如电话号码、信用卡号、十六进制散列等，同时跳过年份和简单数字的实例
+ * @param text
+ * @return
+ */
+ public static String removeIdentifiers(String text) {
+ Matcher phoneMatcher = PHONE_PATTERN.matcher(text);
+ text = phoneMatcher.replaceAll("");
+
+ Matcher creditCardMatcher = CREDIT_CARD_PATTERN.matcher(text);
+ text = creditCardMatcher.replaceAll("");
+
+ Matcher hashMatcher = HASH_PATTERN.matcher(text);
+ text = hashMatcher.replaceAll("");
+
+ // 使用StringBuilder和StringBuilder的replace方法去除其他数字，但跳过年份和简单数字
+ StringBuilder sb = new StringBuilder(text);
+ int index = 0;
+ while ((index = findNextNumberToReplace(sb.toString())) != -1) {
+ String number = sb.substring(index, findEndOfNumber(sb.toString(), index));
+ if (!isYear(number) && !isSimpleNumber(number)) {
+ sb.replace(index, index + number.length(), "");
+ }
+ }
+ return sb.toString();
+ }
+
+ // 查找下一个要替换的数字的起始索引
+ private static int findNextNumberToReplace(String text) {
+ // 这里可以添加更复杂的逻辑来定位要替换的数字，但为了简化，我们假设数字以空格或非数字字符分隔
+ for (int i = 0; i < text.length(); i++) {
+ char c = text.charAt(i);
+ if (Character.isDigit(c) || (c >= 'a' && c <= 'f') || (c >= 'A' && c <= 'F')) {
+ // 找到数字的起始位置
+ while (i < text.length() && (Character.isDigit(text.charAt(i)) ||
+ (text.charAt(i) >= 'a' && text.charAt(i) <= 'f') ||
+ (text.charAt(i) >= 'A' && text.charAt(i) <= 'F'))) {
+ i++;
+ }
+ // 返回数字的起始索引（减1，因为我们要在循环外部处理i的递增）
+ return i - 1 > 0 ? i - 1 : 0;
+ }
+ }
+ return -1; // 没有找到要替换的数字
+ }
+
+ // 找到数字的结束索引
+ private static int findEndOfNumber(String text, int startIndex) {
+ // 从startIndex开始向后查找，直到遇到非数字字符
+ for (int i = startIndex; i < text.length(); i++) {
+ if (!(Character.isDigit(text.charAt(i)) ||
+ (text.charAt(i) >= 'a' && text.charAt(i) <= 'f') ||
+ (text.charAt(i) >= 'A' && text.charAt(i) <= 'F'))) {
+ return i;
+ }
+ }
+ return text.length(); // 如果字符串以数字结束，则返回字符串的长度
+ }
+
+ // 检查一个字符串是否是年份
+ private static boolean isYear(String str) {
+ try {
+ int year = Integer.parseInt(str);
+ Year y = Year.parse(str, YEAR_FORMAT);
+ return YEARS_TO_SKIP.contains(str);
+ } catch (NumberFormatException e) {
+ return false;
+ }
+ }
+
+ // 检查一个字符串是否是简单数字（这里假设不超过六位的连续数字）
+ private static boolean isSimpleNumber(String str) {
+ try {
+ int number = Integer.parseInt(str);
+ return String.valueOf(number).equals(str) && number >= 0 && number < 1000000;
+ } catch (NumberFormatException e) {
+ return false;
+ }
+ }
+}