宋词分析改编版（ruby）
上一次我写的宋词分析，是在Windows环境下的，缺省编码是GBK（936），所以在处理UTF-8的时候，需要转换为GBK，再进行处理分析。
不过现在已经是ruby1.9版了，那么就改一下，在uft-8下处理程序，主要就是把原宋词文件内容从gbk编码为utf-8，再进行相应的处理，dos下需要chcp 65001转换为utf-8编码，再执行才可以看到正确结果，否则就是乱码。
我用的SciTE，在Options->Open Global Options File中，code.page=65001，output.code.page=65001去除前面的#，就可以正确处理utf-8文字了。
嗯，Windows就是麻烦，Linux和mac一直想玩玩，但是单位无法上网，需要联网的东西太费事了。
还有就是改写为utf-8版后，计数和gbk版的不同了，gbk版的，和原文的计数一致，utf-8版的，一是计数多了，二是很多后面的也提到了前面，不知道为什么，也许是gbk->utf-8转换的时候，一些文字出现问题了吧。
#coding: utf-8require "iconv"NUM1 = 2 #分词长度NUM2 =500 #显示大于多少的记录def splitword(s,l) #分词，s是字符串，l是字符分词长度 lt = s.length k = Array.new 0.upto(lt-l) do |i| k<<s[i..i+l-1] end return kendt = Time.nowx = Array.new #记录分词结果的数组File.open("ci.txt", "r") do |file| file.each do |line| line = Iconv.conv("UTF-8//IGNORE","GBK", line) line.chomp! column = line.split(/，|。|！|？|、/) #使用标点分割 column.delete_if {|i| i.length >10 } #去除大于10个字的语句 column.each do |col| splitword(col,NUM1).each{|i| x<<i} if col.length>NUM1 # 分词 end endendh = Hash.newh = x.inject(Hash.new(0)){|hash,x| hash[x] += 1; hash} #把数组内容进行计数为hashh.delete_if {|key, value| value <NUM2} #去除hash中小于指定数值的部分y = Array.newy = h.sort {|a,b| b[1]<=>a[1]} # 从大到小排序y.each_index {|i| puts "#{i+1} #{y[i][0]} = #{y[i][1]}" }puts "运行时间是："<<(Time.now-t).to_s<<"秒"