结对第二次作业 | 易学教程

一，结对成员

分工
我负责写代码，柯同学负责写单元测试。

二，psp

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	10	10
• Estimate	• 估计这个任务需要多少时间	10	10
Development	• 开发	1210	1670
• Analysis	• 需求分析 (包括学习新技术)	400	500
• Design Spec	• 生成设计文档	10	10
• Design Review	• 设计复审	10	10
• Coding Standard	• 代码规范 (为目前的开发制定合适的规范)	10	10
• Design	• 具体设计	20	20
• Coding	• 具体编码	500	600
• Code Review	• 代码复审	60	120
• Test	• 测试（自我测试，修改代码，提交修改）	200	400
Reporting	报告	30	40
• Test Repor	• 测试报告	10	10
• Size Measurement	• 计算工作量	10	10
• Postmortem & Process Improvement Plan	• 事后总结, 并提出过程改进计划	10	20
	合计	1250	1710

三，解题思路描述与设计实现说明

爬虫使用
爬虫我用java实现，一开始找资料的时候在看SeimiCrawler，后来觉得太复杂换了jsoup。
因为有导入外部jar包，为了方便新建了maven工程。
添加pom依赖：

<dependency>
        <!-- jsoup HTML parser library @ http://jsoup.org/ -->
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>1.10.2</version>
    </dependency>

接下来是具体实现部分，思路是先爬取每个文章的链接，再逐个爬取每个链接，获取标题和摘要。

package cvpr;

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.Map;
import java.util.Map.Entry;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

/**爬虫实现
 * 
 * @author xyq
 * @since 2018 10 10
 * @version 1.0
 */
public class clawler {
    
    /**爬取cvpr网站
     * 
     * @return Map<String, String>
     * 
     */
    public Map<String, String> getPaperInfo() {
        Map<String, String> paperInfo = new HashMap<String, String>();
        
        
        ArrayList<String> htmlLinks = new ArrayList<String>();
        String head = "http://openaccess.thecvf.com/";//html链接前半部分
        
        try
        {
            Document doc = null ;
            doc = Jsoup.connect("http://openaccess.thecvf.com/CVPR2018.py#").get();
            //Document document = Jsoup.parse(new File("C:/Users/zkpkhua/Desktop/yiibai-index.html"), "utf-8");
            Elements links = doc.select("dt a[href]");  
            for (Element link : links) 
            {

                    //System.out.println("link : " + link.attr("href")); 
                    htmlLinks.add(head+link.attr("href"));//得到html链接
                    //System.out.println(head+link.attr("href"));
            }
        } 
        catch (IOException e) 
        {
            e.printStackTrace();
        }
        
        try
        {
            for (String htmlLink : htmlLinks) {
                Document doc = null ;
                doc = Jsoup.connect(htmlLink).get();
                Elements titleInfo = doc.select("div#papertitle"); 
                Elements abstractInfo = doc.select("div#abstract"); 
                //System.out.println(titleInfo.text());
                paperInfo.put(titleInfo.text(), abstractInfo.text());
            } 
           
        } 
        catch (IOException e) 
        {
            e.printStackTrace();
        }
        return paperInfo;
    }
    
    public void writeResult() throws Exception {
        Map<String, String> paperInfo = new HashMap<String, String>();
        clawler clawler = new clawler();
        paperInfo = clawler.getPaperInfo();
        String path = System.getProperty("user.dir")+"\\src\\main\\java\\cvpr\\result.txt";
        File file = new File(path);
        StringBuilder result = new StringBuilder("");
        int count = 0;
        FileWriter filewriter = new FileWriter(file.getAbsoluteFile());
        //System.out.println("absolutely path:"+file.getAbsolutePath());
        BufferedWriter bufferedWriter = new BufferedWriter(filewriter);
        
        
        for (Entry<String, String> entry : paperInfo.entrySet()) {
            result.append(count);
            count++;
            result.append("\r\n");
            result.append("Title:"+entry.getKey());
            result.append("\r\n");
            result.append("Abstract:"+entry.getValue());
            result.append("\r\n");
            result.append("\r\n");
            result.append("\r\n");
            //System.out.println("title:  "+entry.getKey());
            //System.out.println("abstract:  "+entry.getValue());
        }
        
        
        
        bufferedWriter.write(result.toString());
        
        bufferedWriter.close();
    }
}

UML类图
流程图
关键实现部分流程图
这次的关键在于新增的词组统计功能，一下是实现的流程图。

四，附加题设计与展示

设计的创意独到之处

爬取每篇文章的作者信息，统计各个作者的文章数量。

实现思路

先爬取每篇文章的链接，再对这些链接爬取获取作者的名字，将结果排序输出至文件。

成功展示

在这里插入图片描述

五，关键代码展示

/**排序，按权重降序
     * 
     * 
     */
private static void sort(ArrayList<HashMap.Entry<String, Integer>> wordList) {
        Collections.sort(wordList, new Comparator<HashMap.Entry<String, Integer>>() {
            public int compare(Map.Entry<String, Integer> o1, Map.Entry<String, Integer> o2) {
                if (o1.getValue() < o2.getValue()) {
                    return 1;
                } else {
                    if (o1.getValue().equals(o2.getValue())) {
                        if (o1.getKey().compareTo(o2.getKey()) > 0) {
                            return 1;
                        } else {
                            return -1;
                        }
                    } else {
                        return -1;
                    }
                }
            }
        });
}

获取命令行参数

 /* 
         * 这里先取默认值，因为不是所有参数都会被用户提供 
         */  
        String in = " ";
        String o = " ";
        int m = 1;
        int n = 10;
        int w = 1;
        
        long charNum = 0;
        long lineNum = 0;
        long wordNum = 0;
        /* 
         * 设置一个offset变量，用来定位相关信息 
         */  
        int optSetting = 0;  
        for (; optSetting < args.length; optSetting++) {  
            if ("-i".equals(args[optSetting])) {  
                in =  args[++optSetting];
            } else if ("-o".equals(args[optSetting])) {  
                o =  args[++optSetting];  
            } else if ("-m".equals(args[optSetting])) {  
                m =  Integer.parseInt(args[++optSetting]); 
            } else if ("-n".equals(args[optSetting])) {  
                n =  Integer.parseInt(args[++optSetting]); 
            } else if ("-w".equals(args[optSetting])) {  
                w =  Integer.parseInt(args[++optSetting]);  
            }          
        }

六，性能分析与改进&单元测试&签入记录

思路
因为第一次测试的结果不理想，知道了是在分词方面出了问题。所以这次的分词部分不再偷懒用自带方法，而是运用了自动机的思想逐字符地拼凑单词。

                for(;i < str.length();i++) {
                        //大写字母转为小写字母
                        temp = str.charAt(i);
                        if ((temp >= 65) && (temp <= 90)) {
                            temp += 32;
                        }
                        
                        if(state == 0) {
                            if ((temp >= 97) && (temp <= 122)) {
                                word.append(temp);
                                state = 1;
                            }
                            
                        }else if (state == 1) {
                            if ((temp >= 97) && (temp <= 122)) {
                                word.append(temp);
                                state = 2;
                            } else {
                                word.setLength(0);
                                state = 0;
                            }
                            
                        }else if (state == 2) {
                            if ((temp >= 97) && (temp <= 122)) {
                                word.append(temp);
                                state = 3;
                            } else {
                                word.setLength(0);
                                state = 0;
                            }
                        }else if (state == 3) {
                            if ((temp >= 97) && (temp <= 122)) {
                                word.append(temp);
                                state = 4;
                            } else {
                                word.setLength(0);
                                state = 0;
                            }
                        }else if (state == 4) {
                            if (((temp >= 97) && (temp <= 122)) || ((temp >= '0') && (temp <= '9'))) {
                                word.append(temp);
                            } else {
                                wordlist.add(word.toString());
                                word.setLength(0);
                                state = 0;
                            }
                        }                    
                        
                    }
                    if (state == 4) {
                        wordlist.add(word.toString());
                    }

单元测试
思路就是用白盒测试，事先计算好测试用例的期望值，与输出对比

    @Test
    public void testPhraseFrequency2_1() {
        phraseFrequencyCounter phraseFrequencyCounter = new phraseFrequencyCounter();
        int topPhrasenum = 0;
        ArrayList<HashMap.Entry<String, Integer>> wordList = new ArrayList<HashMap.Entry<String, Integer>>();
        HashMap<String, Integer> wordlistMap = new HashMap<String, Integer>();
        wordlistMap = phraseFrequencyCounter.countPhraseFrequency("D:\\java_project\\031602435&031602414\\src\\test\\java\\wordCount2_031602435\\"+"result.txt",1,3);
        wordList = phraseFrequencyCounter.topFrequentPhrases(wordlistMap);
        topPhrasenum = wordList.get(0).getValue();
        assertEquals(97, topPhrasenum);
        
    }
    @Test
    public void testWordNum1() {
        wordNumberCounter wordNumberCounter = new wordNumberCounter();
        long wordnum =wordNumberCounter.countWord("D:\\java_project\\031602435&031602414\\src\\test\\java\\wordCount2_031602435\\"+"text1.txt");
        System.out.println(wordnum);
        assertEquals(9, wordnum);
        
    }
    
    @Test
    public void testPhraseFrequency1_1() {
        phraseFrequencyCounter phraseFrequencyCounter = new phraseFrequencyCounter();
        int topPhrasenum = 0;
        ArrayList<HashMap.Entry<String, Integer>> wordList = new ArrayList<HashMap.Entry<String, Integer>>();
        HashMap<String, Integer> wordlistMap = new HashMap<String, Integer>();
        wordlistMap = phraseFrequencyCounter.countPhraseFrequency("D:\\java_project\\031602435&031602414\\src\\test\\java\\wordCount2_031602435\\"+"text1.txt",1,3);
        wordList = phraseFrequencyCounter.topFrequentPhrases(wordlistMap);
        topPhrasenum = wordList.get(0).getValue();
        assertEquals(11, topPhrasenum);
        
    }

commit记录

这次的用时虽然有20多小时，但是完成总时间是在两天半（不包括学习技术）。。所以只有一条记录。

七，遇到的代码模块异常或结对困难及解决方法

问题
一开始没接触过爬虫，不知道怎么使用
尝试
找资料，看博客，按上面的方法摸索，结合着看文档。
是否解决
已经解决
收获
学习到了爬虫的简单使用

八，评价队友

认真负责

九，进度

java：2->2.4
自主学习能力：2->2.6

来源：https://www.cnblogs.com/daydreams/p/9781184.html

标签

string

temp