跟踪java中转换字符串的原始位置

我正在研究一个源代码剽窃算法（winnowing算法）的实现，遇到了一个需要帮助的问题

例如： 我有一根绳子

String test="blahello,,,,/blatestbla7234///§"§$%"%$\n\n23344)§()(§$blablayeahbla";

并将此字符串转换为

test="blahelloblatestblablablayeahbla"

从这个字符串我建立了kgrams，比如5克

blahe  lahel  ahell hello  ellob  llobl .... ahbla

我将kgram保存在字符串列表中，但也希望保存每个kgram原始文本的开始和结束位置，以便我可以在最后将每个kgram引用回其原始文本位置

编辑：

所以我的问题是，我如何得到一个kgram的开始和结束位置 有人能帮我吗？你知道吗？

---

提前感谢。

如果您想要原始字符串中的位置，您不能先删除非字母，否则信息会丢失。您需要直接在原始字符串中查找KGRAM（更多CPU时间），或者将每个字母的原始位置与修改后的字符串一起存储（更多内存空间）

下面是后者的一个实现：

import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;

public class KGram {

    public final String str;
    public final int start;
    public final int end;

    public KGram(String str, int start, int end) {
        this.str = str;
        this.start = start;
        this.end = end;
    }

    @Override
    public String toString() {
        return "KGram[\"" + str + "\":" + start + "," + end + "]";
    }

    public static List<KGram> extractFrom(String input, int size) {
        char[] chars = new char[input.length()];
        int[] indexes = new int[input.length()];
        int len = 0;

        for (int i = 0; i < input.length(); i++) {
            char c = input.charAt(i);
            if (!Character.isLetter(c)) continue;

            chars[len] = c;
            indexes[len] = i;
            len++;
        }

        List<KGram> kgrams = new ArrayList<>();
        for (int i = 0, j = size - 1; j < len; i++, j++) {
            String str = new String(Arrays.copyOfRange(chars, i, j + 1));
            kgrams.add(new KGram(str, indexes[i], indexes[j]));
        }
        return kgrams;
    }
}

import java.util.ArrayList；
导入java.util.array；
导入java.util.List；
公共类KGram{
公共最终字符串str；
公开最终启动；
公共终端；
公共KGram（字符串str，int start，int end）{
this.str=str；
this.start=start；
this.end=end；
}
@凌驾
公共字符串toString（）{
返回“KGram[\”“+str+”\：“+start+”，“+end+”]；
}
公共静态列表extractFrom（字符串输入，整数大小）{
char[]chars=新字符[input.length（）]；
int[]索引=新的int[input.length（）]；
int len=0；
对于（int i=0；i

例如：

String test = "blahello,,,,/blatestbla7234///§\"§$%\"%$\n\n23344)§()(§$blablayeahbla";
List<KGram> kgrams = KGram.extractFrom(test, 5);

System.out.println(kgrams.get(4));  // prints KGram["ellob":4,13]
System.out.println(kgrams.get(26)); // prints KGram["ahbla":60,64]

String test=“blahello，，，，，/blatestbla7234///§\”§$%\“%$\n\n23344）§（）（§$blayeahbla）；
列表kgrams=KGram.extractFrom（测试，5）；
System.out.println（kgrams.get（4））；//打印KGram[“ellob”：4,13]
System.out.println（kgrams.get（26））；//打印KGram[“ahbla”：60,64]

你的意思是这样的吗？blahe.begin=0，blahe.end=4，lahel.begin=1，lahel.begin=5，…？用你需要的任何属性（例如，n，value，beginIndex，endIndex等）定义一个类NGram。那么你的n-gram是NGram的实例，而不是字符串的实例，你可以随身携带任何你可能发现有用的附加元数据。哦，对不起，我的问题有误导性。我已经编辑了它。我可以将它保存在类中，但如何获取kgram的开始和结束位置。我转换了原始文本，并且使用了很多字符替换。例如，我想获得kgram ellob开始位置：4和结束位置13@vizero你的意思是结束位置8吗？不，我的意思是13想要在未修改的字符串中获得原始位置。8适合修改的字符串。哦，对不起，我的问题有误导性。我已经编辑了它。我可以将其保存在类中，但如何才能获得开始位置kgram的nd结束位置。我转换了原始文本并替换了许多字符。例如，我想获得kgram ellob的开始位置4和结束位置13