结对第二次作业

结对第二次作业

一，结对成员

031602414 柯叶祥
031602435 肖逸清

• 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("
");
			result.append("Title:"+entry.getKey());
			result.append("
");
			result.append("Abstract:"+entry.getValue());
			result.append("
");
			result.append("
");
			result.append("
");
			//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

---

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