2018软工实践作业五之结对作业2

博客链接

刘浩：https://www.cnblogs.com/peacepeacepeace/p/9748998.html
后敬甲：https://www.cnblogs.com/hjjLcherry/p/9762622.html

具体分工

后敬甲：对爬取文本的字符统计、有效行统计、单词统计；
刘浩：文章的爬取、附加题、词频统计、博客主要撰写；

Github项目地址

https://github.com/tsf2016/pair-project

PSP表格

解题思路描述与设计实现说明

爬虫使用

使用python语言实现，其中使用到了requests库和beautifulsoup库，主要使用bs的.select函数选择html中所需要的标签的id，class属性，以找到并获取对应的信息

代码组织与内部实现设计（类图）

主要流程图如下

说明算法的关键与关键实现部分流程图

处理自定义输入

简单使用条件语句逐个判断输入的参数，分析其对应的功能，并给出可能发生的错误分析

while (argv[p] != NULL) {
        if (argv[p][0]!= '-') {
            printf("错误输入格式\n");
            return -1;
        }
        else if(argv[p][1]=='i'){
            if (argv[p + 1] == NULL) {
                printf("缺少输入路径\n");
                return -1;
            }
            ipath = argv[p + 1];//输入.txt文件的路径
            p=p+2;
            continue;
        }
        else if (argv[p][1] == 'o') {
            if (argv[p + 1] == NULL) {
                printf("缺少输出路径\n");
                return -1;
            }
            opath = argv[p + 1];//输出.txt文件的路径
            p = p + 2;
            continue;
        }
        else if (argv[p][1] == 'n') {
            if (argv[p + 1] == NULL) {
                break;
            }
            if (isdigit(argv[p + 1][0]) == NULL) {
                p++;
            }
            else {
                diy = atoi(argv[p + 1]);//词频输出个数
                p = p + 2;
            }
            continue;
        }
        else if (argv[p][1] == 'm') {
            if (argv[p + 1]== NULL) {
                break;
            }
            if (isdigit(argv[p + 1][0]) == NULL) {
                p++;
            }
            else {
                if (atoi(argv[p + 1]) < 2 || atoi(argv[p + 1]) > 10){
                    printf("错误词组长度");
                    return -1;
                }
                cizulen = atoi(argv[p + 1]);//词组长度
                p = p + 2;
            }
            continue;
        }
        else if (argv[p][1] == 'w') {
            if (argv[p + 1] == NULL || (atoi(argv[p + 1])!=1 && atoi(argv[p + 1])!=0)) {
                printf("错误权重\n");
                return -1;
            }
            weight = atoi(argv[p + 1]);//词频权重
            p = p + 2;
            continue;
        }
        else {
            printf("错误参数\n");
            return -1;
        }
    }

统计字符数

int character(char* path) {
    /*
    ifstream 读取文件路径
    逐个读取字符数，统计读入的所有字符
    将所有字符连接后按分割符进行分割，将一个个子字符串放入vector中
    /*
    for (vector<string>::size_type i = 0; i != split.size(); ++i) {
    //逐个读入子字符串，计算子字符串为“Title“的次数，
        string key = split[i];
        if (i+2<=split.size()&&split[i + 1] == "Title"&&key.size() <= 3) {
            //字符数还要减去Title前的文章编号
            count = count - key.size()-1;
            //cout << count << endl;
        }   
        if (m1.count(key) == 0)
        {
            m1.insert(pair <string, int>(key, 1));
        }
        else
        {
            m1[key]++;
        }
    }
    /*
    因为Title不会在正文（需要统计的范围）中出现，
    而每一个Title对应着一个同样不需要统计的Abstract，按照题意每一篇文章要减去17个字符
    */
    count = count - m1["title"] * 17;
    return count;
}

统计单词数

与统计字符数原理相似，也是算出总的单词数然后再减去出现的Title和Abstract的次数，还有两论文之间的换行

统计词频输出

附加题设计与展示

• 设计的创意独到之处
  • 分析论文列表中各位作者之间的关系，论文A的第一作者可能同时是论文B的第二作者，不同论文多位作者之间可能存在着联系
  • 对数据的图形可视化做出一些努力，比如对上一条功能可以形成关系图谱
• 实现思路-
  利用爬虫获取每篇文章的作者信息，存入.txt文件中，再利用excel读取.txt信息，按照文章次序和第一作者，第二作者这样的排序来整理，之后再利用gephi工具读取要处理的excel文件，利用该工具自带的功能实现作者之间的关系网络力向图
• 实现成果展示
  作者权重
  
  效果局部图
  

关键代码解释

int character(char* path) {
    /*
    ifstream 读取文件路径
    逐个读取字符数，统计读入的所有字符
    将所有字符连接后按分割符进行分割，将一个个子字符串放入vector中
    /*
    for (vector<string>::size_type i = 0; i != split.size(); ++i) {
    //逐个读入子字符串，计算子字符串为“Title“的次数，
        string key = split[i];
        if (i+2<=split.size()&&split[i + 1] == "Title"&&key.size() <= 3) {
            //字符数还要减去Title前的文章编号
            count = count - key.size()-1;
            //cout << count << endl;
        }   
        if (m1.count(key) == 0)
        {
            m1.insert(pair <string, int>(key, 1));
        }
        else
        {
            m1[key]++;
        }
    }
    /*
    因为Title不会在正文（需要统计的范围）中出现，
    而每一个Title对应着一个同样不需要统计的Abstract，按照题意每一篇文章要减去17个字符
    */
    count = count - m1["title"] * 17;
    return count;
}

性能分析与改进

减少不同功能对读入字符后的操作，如只记录字符数的话就不需要将字符串统一转小写，若只记录单词数的话就不需要放入map中等等
* 性能分析图

* 调用最大资源的函数

单元测试

* TestMethod1:空文本
* TestMethod2:单字符文本
* TestMethod3:全空格文本
* TestMethod4:非字母与数字文本
* TestMethod5:单词全部大写文本
* TestMethod6:单词数字开头文本
* TestMethod7:最后一行有换行
* TestMethod8:单词长度小于4
* TestMethod9:汉字文本名
* TestMethod10:无输入

贴出Github的代码签入记录

遇到的代码模块异常或结对困难及解决方法

• 困难：
  一开始负责全部的文本处理模块，遇到许多算法的困难，最后也独立实现了全部的功能，但是词频统计使用了结构体结点优先队列来对词组排序，算法时间复杂度太大，导致存在数据量过大就会超时的问题。
• 解决方案：
  采用了刘浩同学的版本，使用了c++的stl容器，解决了超时的问题。
• 有何收获
  在整个算法实现过程中，使用了switch语句实现了有穷自动机、哈希算法存储词组、优先队列对结构体结点排序，对以前的知识有了个回顾；对于存在问题的词频统计功能，经验上应该更仔细地阅读需求、估计时间复杂度，算法上学习了c++的map容器和vector容器。
• 评价你的队友
  有很强的快速学习能力，专业能力强，学习的态度和方法都是我学习的榜样。

学习进度条

第N周	新增代码（行）	累计代码（行）	本周学习耗时（小时）	累计学习耗时（小时）	重要成长
4	0	340	5	25	Leangoo工具的学习
5	300	640	15	40	哈希算法、优先队列、结构体等c++算法复习

　　　　

参考

[关系图谱] 一.Gephi通过共线矩阵构建知网作者关系图谱
https://blog.csdn.net/eastmount/article/details/81746650

转载于:https://www.cnblogs.com/hjjLcherry/p/9762622.html