结对第二次—文献摘要热词统计及进阶需求
| 课程连接 | 软件工程实践 |
| 做业要求 | 结对第二次—文献摘要热词统计及进阶需求 |
| 结对学号 | 221600425 221600429 |
| 做业目标 | 1.基本需求：实现一个能对文本文件中的单词的词频进行统计的控制台程序 2.进阶需求：在基本需求实现的基础上，编码实现顶会热词统计器 |
| Github项目地址 | 基本需求 进阶需求 |
| 分工 | 221600425负责主要代码编写与测试，221600429负责爬虫编写和博客撰写 |
PSP表格
| PSP2.1 | Personal Software Process Stages | 预估耗时(分钟) | 实际耗时(分钟) |
|---|---|---|---|
| Planning | 计划 | 60 | 60 |
| Estimate | 估计这个任务须要多少时间 | 2320 | 2910 |
| Development | 开发 | 700 | 900 |
| Analysis | 需求分析 (包括学习新技术) | 100 | 200 |
| Design Spec | 生成设计文档 | 120 | 180 |
| Design Review | 设计复审 | 40 | 30 |
| Coding Standard | 代码规范 (为目前的开发制定合适的规范) | 30 | 20 |
| Design | 具体设计 | 300 | 480 |
| Coding | 具体编码 | 700 | 800 |
| Code Review | 代码复审 | 100 | 100 |
| Test | 测试（自我测试，修改代码，提交修改） | 30 | 40 |
| Reporting | 报告 | 100 | 100 |
| Test Report | 测试报告 | 20 | 20 |
| Size Measurement | 计算工做量 | 10 | 10 |
| Postmortem & Process Improvement Plan | 过后总结, 并提出过程改进计划 | 70 | 70 |
| 合计 | 2320 | 2910 |
解题思路描述
在拿到题目并进行理解后，咱们第一步即是想到使用正则表达式。可是因为JAVA的已经封装好，使用起来比较方便，并且C++须要用库文件支持正则，这些库的语法也是不一样的，所以咱们选择使用JAVA进行编程。在肯定了所使用的语言后，咱们经过课程连接所提供的博客以及百度搜索了解了完成做业所须要的基本技能（如GitHub的一些使用方法等）。其实在搞懂基本需求和进阶需求的各个规则后，编程工做其实并非很难，由于之前写过相似的程序；但咱们并无编写过爬虫程序，因此咱们会将·一部分时间花在爬虫上面，主要经过CSDN和博客园上的博客进行学习。
html
设计实现过程
本次设计分为两个类，一个类用来存放实现功能的各类函数，另外一个类用来编写主函数。实现功能的函数包括1.计算字符数个数的Lib.charNum(String)2.计算文本行数的
lineNum(String fileName)3.判断是否为单词的isLetter(String letter)4，计算单词总数的letterNum(String fileName)5.用例统计词频的getWordAndCount(String fileName,List
基本需求流程图
单元测试设计
测试是检查应用程序是不是工做按照要求，并确保在开发者水平，单元测试进入功能性的处理。单元测试是单一实体（类或方法）的测试。 单元测试在每个软件公司开发高品质的产品给他们的客户是十分必要的。Eclipse是直接对junit进行了集成的，咱们能够直接用。首先编写测试函数，而后咱们经过输入一个测试文件进行单元测试。github
代码组织与内部实现设计（类图）
进阶需求流程图
程序性能改进
因为能力有限，因此在性能分析中基本需求和进阶需求中的文献统计部分的性能改进的不是很明显，所以这里只展现爬虫部分的正则表达式
关于爬虫程序的性能分析
优化前
优化前各方法耗时
优化后
线程
优化后各方法耗时
编程
消耗最大的函数多线程
for (Element elem : elems) {
String url=elem.attr("href");
threadPool.submit(new Runnable() {
@Override
public void run() {
try {
Document doc = Jsoup.connect("http://openaccess.thecvf.com/" + url)
.maxBodySize(0)
.timeout(5000*60) // 设置链接超时时间
.get();
System.out.println(i+"\n"+doc.select("#papertitle").text() + "\n" + doc.select("#abstract").text() + "\n");
synchronized (fw) {
fw.append(
(i++)+"\r\n"+
"Title: "+
doc.select("#papertitle").text() + "\r\n" +
"Abstract: " +
doc.select("#abstract").text() + "\r\n"
+"\r\n\r\n");
fw.flush();
}
} catch (Exception e) {
e.printStackTrace();
}
}
});
}
关键代码说明
基本需求关键代码
getWordAndCount(String fileName,List
public static void getWordAndCount(String fileName,List<String> list,List<Integer> list1) {
Map<String,Integer> map = new HashMap();
String regex="[^a-zA-Z0-9]";
File srcFile=new File(fileName);
try {
FileReader fileReader=new FileReader(srcFile);
BufferedReader bufferedReader=new BufferedReader(fileReader);
String lineText=null;
while((lineText=bufferedReader.readLine())!=null) {
String[] strs=lineText.split(regex);
for(int i=0;i<strs.length;i++) {
if(isLetter(strs[i])) {
strs[i]=strs[i].toLowerCase();
if(map.containsKey(strs[i])) {
map.put(strs[i], map.get(strs[i])+1);
}
else {
map.put(strs[i], 1);
}
}
}
}
String[] words=new String[map.size()];
Integer[] counts=new Integer[map.size()];
map.keySet().toArray(words);
map.values().toArray(counts);
for(int i=0;i<map.size();i++) {
if(i<=9) {
for(int j=i;j<map.size();j++) {
if(counts[i]<counts[j]) {
Integer temp=null;
temp=counts[i];
counts[i]=counts[j];
counts[j]=temp;
String temp1=null;
temp1=words[i];
words[i]=words[j];
words[j]=temp1;
}
else if(counts[i]==counts[j]) {
if(words[i].compareTo(words[j])<0) {
Integer temp=null;
temp=counts[i];
counts[i]=counts[j];
counts[j]=temp;
String temp1=null;
temp1=words[i];
words[i]=words[j];
words[j]=temp1;
}
}
}
}
}
for(int i=0;i<words.length;i++) {
if(i>9) {
break;
}
else {
list.add(words[i]);
}
}
for(int i=0;i<counts.length;i++) {
if(i>9) {
break;
}
else {
list1.add(counts[i]);
}
}
fileReader.close();
bufferedReader.close();
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
} 爬虫程序关键代码
fw=new FileWriter(new File("result.txt"));
Document doc = Jsoup.connect("http://openaccess.thecvf.com/CVPR2018.py")
.maxBodySize(0)
.timeout(1000*60)
.get();
Elements elems = doc.select(".ptitle a");
System.out.println(elems.size());
ExecutorService threadPool = Executors.newScheduledThreadPool(8); 爬虫程序采用Jsoup进行html文档的解析，首先链接到2018年的论文列表页面，并经过设置链接时间和返回所测得的数据条数来保证爬取的初步成功。而后开设线程池，利用多线程来保证爬取的速度。ide
for (Element elem : elems) {
String url=elem.attr("href");
threadPool.submit(new Runnable() {
@Override
public void run() {
try {
Document doc = Jsoup.connect("http://openaccess.thecvf.com/" + url)
.maxBodySize(0)
.timeout(5000*60) // 设置链接超时时间
.get();
System.out.println(i+"\n"+doc.select("#papertitle").text() + "\n" + doc.select("#abstract").text() + "\n");
synchronized (fw) {
fw.append(
(i++)+"\r\n"+
"Title: "+
doc.select("#papertitle").text() + "\r\n" +
"Abstract: " +
doc.select("#abstract").text() + "\r\n"
+"\r\n\r\n");
fw.flush();
}
} catch (Exception e) {
e.printStackTrace();
}
}
});
} 以上代码经过初步爬取的信息进行深层次的爬取，主要原理是经过爬取论文列表的a标签的href属性进行进一步爬取，连接到href属性的论文连接中，一样设置链接时间以防连接超时而报错，而后对爬取的html进行操做，主要是查找#papertitle和#abstract的内容并进行返回存入result.txt文件中。因为使用多线程会致使出现脏数据和重复数据，所以在代码中咱们使用了锁来防止这一状况。函数
进阶需求关键代码
进阶部分的关键代码中一样有基本需求中的返回字符数、返回行数、判断是否为单词、返回单词数等的函数，所以再也不展现，仅展现统计词频的函数性能
public static void getWordFrequency(String fileName,List<String> list,List<Integer> list1,int Weightflag,int numFlag) {
int value=0;
if(Weightflag==0) {
value=1;
}
else {
value=10;
}
Map<String,Integer> map = new HashMap();
String regex="[^a-zA-Z0-9]+";
File srcFile=new File(fileName);
try {
FileReader fileReader=new FileReader(srcFile);
BufferedReader bufferedReader=new BufferedReader(fileReader);
String lineText=null;
while((lineText=bufferedReader.readLine())!=null) {
if(lineText.contains("Title: ")) {
String temp=lineText.replaceFirst("Title: ", "");
//System.out.println(temp);
String[] strs=temp.split(regex);
for(int i=0;i<strs.length;i++) {
if(isLetter(strs[i])) {
strs[i]=strs[i].toLowerCase();
if(map.containsKey(strs[i])) {
map.put(strs[i], map.get(strs[i])+value);
}
else {
map.put(strs[i], value);
}
}
}
}
else if(lineText.contains("Abstract: ")){
String temp=lineText.replaceFirst("Abstract: ", "");
//System.out.println(temp);
String[] strs=temp.split(regex);
for(int i=0;i<strs.length;i++) {
if(isLetter(strs[i])) {
strs[i]=strs[i].toLowerCase();
if(map.containsKey(strs[i])) {
map.put(strs[i], map.get(strs[i])+1);
}
else {
map.put(strs[i], 1);
}
}
}
}
else {
continue;
}
}
String[] words=new String[map.size()];
Integer[] counts=new Integer[map.size()];
map.keySet().toArray(words);
map.values().toArray(counts);
for(int i=0;i<map.size();i++) {
if(i<numFlag) {
for(int j=i;j<map.size();j++) {
if(counts[i]<counts[j]) {
Integer temp=null;
temp=counts[i];
counts[i]=counts[j];
counts[j]=temp;
String temp1=null;
temp1=words[i];
words[i]=words[j];
words[j]=temp1;
}
else if(counts[i]==counts[j]) {
if(words[i].compareTo(words[j])<0) {
Integer temp=null;
temp=counts[i];
counts[i]=counts[j];
counts[j]=temp;
String temp1=null;
temp1=words[i];
words[i]=words[j];
words[j]=temp1;
}
}
}
}
}
for(int i=0;i<words.length;i++) {
if(i>numFlag-1) {
break;
}
else {
list.add(words[i]);
}
}
for(int i=0;i<counts.length;i++) {
if(i>numFlag-1) {
break;
}
else {
list1.add(counts[i]);
}
}
fileReader.close();
bufferedReader.close();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
部分单元测试代码
测试是检查应用程序是不是工做按照要求，并确保在开发者水平，单元测试进入功能性的处理。单元测试是单一实体（类或方法）的测试。 单元测试在每个软件公司开发高品质的产品给他们的客户是十分必要的。Eclipse是直接对junit进行了集成的，咱们能够直接用，这也是咱们选择Java的一个缘由。
代码
class charNumTest {
@Test
void test1() {
System.out.println(new Lib().charNum("input1.txt"));
}
@Test
void test2() {
System.out.println(new Lib().letterNum("input1.txt"));
}
@Test
void test3() {
System.out.println(new Lib().lineNum("input1.txt"));
}
} 以上代码中charNum方法为Lib类中的方法，能够换成其余方法，用以测试Lib中的各个单元方法。
包括：
Lib.charNum(String)//返回字符数 lineNum(String fileName)//返回行数 isLetter(String letter)//判断是否为单词 letterNum(String fileName)//返回单词数 getWordAndCount(String fileName,List<String> list,List<Integer> list1)//统计词频
运行结果
总结
问题及解决
在本次通过近一个星期的实践中，咱们遇到了各类各样的问题。第一个是正则表达式的编写问题，利用Java的正则表达式能够很方便地匹配输入，同时这个问题也较为简单，经过百度能够很容易地解决这个问题。第二个问题即是文献统计的编写。进行文献的信息统计，须要想到各类可能性，漏算一种结果就会出错，同时在这个状况下也不容易查找出来，所以这个问题的难度就在于须要保证程序能够处理全部的可能性。经过小队两我的的配合，以及和其余小队的合做，咱们也顺利地解决这个问题。第三个问题即是爬虫。在编写爬虫程序中，咱们出现了各类问题，其中主要有"connect time out"链接超时，爬取速度过慢，爬取出现脏数据等。针对第一个问题，咱们经过代码增大了连接时间，第二个问题咱们采用了多线程来提升速度，但第二个问题引起了第三个问题，最后咱们采用加锁的方式解决了脏数据。
评价
在本次实践中，我和个人队友各司其职，分工明确。个人队友在实践过程当中遇到问题不放弃，认真钻研，经过努力解决了许多问题，在此过程当中没有任何抱怨，十分刻苦，这正是我须要向他学习的地方。咱们本次合做在我看来虽有瑕疵但算成功，这天然和我队友的努力是分不开的，在我看来他作的已经十分完美，并无须要改进的地方。
- 1. 结对第二次—文献摘要热词统计及进阶需求
- 2. 结对第二次——文献摘要热词统计及进阶需求
- 更多相关文章...
- • C# 二进制文件的读写 - C#教程
- • 浏览器 统计 - 浏览器信息
- • Docker容器实战(七) - 容器眼光下的文件系统
- • 算法总结-二分查找法
-
每一个你不满意的现在，都有一个你没有努力的曾经。