Suppression des mots vides d'un texte

Bonjour,

Je travaille sur l'indexation par le calcul du texte, et je cherche à créer une fonction (Java) qui permet la suppression des mots vides (et, le, la, les ....) dans une fichier texte.

Quelqu'un aurait-il une solution pour ça ?

Merci

Si tu arrives à écrire une expression régulière correspondant à ta définition de "mot vide", il te suffit d'utiliser la méthode replaceAll de la classe String.

A toi de te débrouiller pour récupérer la chaine de caractère contenu dans ton fichier.

Pour information, des logiciels comme Lucene font déjà ce genre de travail qui est loin d'être simple.

Merci,

J'ai déjà créé ma classe pour le calcul d’occurrence et des tf.idf, parmi ces mots il y a les mots vides qui ne servent à rien, je veux les éliminer.
J'ai utilisé StringTokenizer pour éliminer tout ce qui est ASCII et chiffre mais les mots je ne sais pas s'il y a quelqu'un qui l'a déjà fait.

Rien de pré-mâché, tu te fais ta liste de mots à ignorer et ensuite, en avant pour le nettoyage.

Bonjour AI_LINUX,

J'ai travaillé avec Lucene. Je pense qu'avant de calculer le tfidf, il vaut mieux faire un prétraitement pour votre texte en éliminant les mots inutiles(de genre le,la..)
Vous avez à créer une liste contenant les mots vides, puis l'utiliser au sein de votre code.
J'ai travaillé sur la langue anglaise et voici la liste que j'ai utilisée:

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426

a about above across after again against all almost alone along already also although always among an and another any anybody anyone anything anywhere are area areas around as ask asked asking asks at away b back backed backing backs be became because become becomes been before began behind being beings best better between big both br but by c came can cannot case cases certain certainly clear clearly come could d did differ different differently do does done down downed downing downs during e each early either end ended ending ends enough even evenly ever every everybody everyone everything everywhere f face faces fact facts far felt few find finds first for four from full fully further furthered furthering furthers g gave general generally get gets give given gives go going good goods got great greater greatest group grouped grouping groups h had has have having he her here herself high higher highest him himself his how however i if important in interest interested interesting interests into is it its itself j just k keep keeps kind knew know known knows l large largely last later latest least less let lets like likely long longer longest m made make making man many may me member members men might more most mostly mr mrs much must my myself n necessary need needed needing needs never new newer newest next no nobody non noone not nothing now nowhere number numbers o of off often old older oldest on once one only open opened opening opens or order ordered ordering orders other others our out over p part parted parting parts per perhaps place places point pointed pointing points possible present presented presenting presents problem problems put puts q quite r rather really right right room rooms s said same saw say says second seconds see seem seemed seeming seems sees several shall she should show showed showing shows side sides since small smaller smallest so some somebody someone something somewhere state states still still such sure t take taken than that the their them then there therefore these they thing things think thinks this those though thought thoughts three through thus to today together too took toward turn turned turning turns two u under until up upon us use used uses v very w want wanted wanting wants was way ways we well wells went were what when where whether which while who whole whose why will with within without work worked working works would x y year years yet you young younger youngest your yours z

---

slt je connaissais pas Lucence mais grâce à toi je l'ai découvert et après une brève découverte je pense également qu'elle pourrais être une solution à ton problème.
alors va si !
a++ :ccool: