格式描述
==========
-
课程名称： 软件工程1916|W（福州大学）
-
作业要求： 结对第二次—文献摘要热词统计及进阶需求
-
结对学号： 221600408_蔡鸿键 | 221600409_蔡森林
-
作业目标：
一、基本需求：实现一个能够对文本文件中的单词的词频进行统计的控制台程序。
二、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。
作业目录
==========
1.WordCount基本需求
2.思路分析
3.关键代码
4.测试图片
5.困难与解决
6.心得与总结
7.psp与花絮
作业正文
==========
2.WordCount基本需求
（一）WordCount基本需求
实现一个命令行程序，不妨称之为wordCount。
统计文件的字符数：
-
只需要统计Ascii码，汉字不需考虑
-
空格，水平制表符，换行符，均算字符
统计文件的单词总数，单词：至少以4个英文字母开头，跟上字母数字符号，单词以分隔符分割，不区分大小写。
英文字母： A-Z，a-z
字母数字符号：A-Z， a-z，0-9
分割符：空格，非字母数字符号
例：file123是一个单词，123file不是一个单词。file，File和FILE是同一个单词
统计文件的有效行数：任何包含非空白字符的行，都需要统计。
统计文件中各单词的出现次数，最终只输出频率最高的10个。频率相同的单词，优先输出字典序靠前的单词。
按照字典序输出到文件result.txt：例如，windows95，windows98和windows2000同时出现时，则先输出windows2000
输出的单词统一为小写格式
输出的格式为
characters: number
words: number
lines: number
...
（二）WordCount进阶需求
新增功能，并在命令行程序中支持下述命令行参数。说明：字符总数统计、单词总数统计、有效行统计要求与个人项目相同
- 使用工具爬取论文信息
从CVPR2018官网爬取今年的论文列表，输出到result.txt(一定叫这个名字)，内容包含论文题目、摘要，格式如下：
为爬取的论文从0开始编号，编号单独一行
两篇论文间以2个空行分隔
在每行开头插入“Title: ”、“Abstract: ”（英文冒号，后有一个空格）说明接下来的内容是论文题目，或者论文摘要
后续所有字符、单词、有效行、词频统计中，论文编号及其紧跟着的换行符、分隔论文的两个换行符、“Title: ”、“Abstract: ”（英文冒号，后有一个空格）均不纳入考虑范围
- 附加题（20'）
本部分不参与自动化测试，如有完成，需在博客中详细描述，并在博客中附件（.exe及.txt）为证。附加功能的加入不能影响上述基础功能的测试，分数取决于创意和所展示的完成度，创意没有天花板，这里不提出任何限制，尽你们所能去完成。
1 . 解题思路
总体：我们先抓住需求中的统计函数的关键点，再思考分析一些边缘条件，给出规定，优化函数。
具体：1.WordCount基本需求：从文本文件中逐个读取所有字符，然后将其保存为字符串，接着通过正则表达式匹配单词，保存于TreeMap中，统计并排序，最后将统计结果输出到文件中。
2.WordCount进阶需求：通过Jsoup工具将CVPR2018官网的论文列表爬取下来，保存在result文本文件中，同样也是进行逐个字符读取统计，保存字符串进行相应的统计和排序，最后输出结果。
2 . 设计过程
-
代码结构
-
WordCount的基本需求
- 类图
- 活动图
-
WordCount的进阶需求
- 类图
- 活动图
-
-
阶段一
- 共同讨论WordCount的基本功能需求
- 代码基本实现WordCount的基本需求
- 将项目各个功能分离成独立函数并进行相应的测试调整
- 对代码进行相应的测试和调整优化
-
阶段二
- 共同讨论WordCount的进阶功能需求
- 实现CVPR2018官网的论文爬取整理
- 代码基本实现WordCount的进阶需求
- 对代码进行相应的测试和调整优化
-
阶段三
- 将项目按照作业格式上传github
- 撰写博客
3 . 关键代码
-
WordCount基本需求
- 统计文件的字符数
//统计字符数
public static void countChars()throws Exception{
countChars = 0;
File file = new File(path);
BufferedReader br = new BufferedReader(new FileReader(file));
StringBuffer sbf = new StringBuffer();
int val;
while((val=br.read())!=-1){
if((0<=val && val<=9)){
countChars++;
}else if(val == 10){
continue;
}else if(11<=val && val<=127){
countChars++;
}
sbf.append((char)val);
}
br.close();
fileContent = sbf.toString().toLowerCase();
}
- 统计文件的有效行数
//统计有效行数
public static void countLines()throws Exception{
countLines = 0;
String regex = "\s*";
File file = new File(path);
BufferedReader br = new BufferedReader(new FileReader(file));
String line;
while((line=br.readLine())!=null){
if(!line.matches(regex)){
countLines++;
}
}
br.close();
}
- 统计文件的单词个数
//统计单词数
public static void countWords(){
countWords = 0;
Pattern expression = Pattern.compile("[a-z]{4,}[a-z0-9]*");
String str = fileContent;
Matcher matcher = expression.matcher(str);
String word;
while (matcher.find()) {
word = matcher.group();
countWords++;
if (records.containsKey(word)) {
records.put(word, records.get(word) + 1);
} else {
records.put(word, 1);
}
}
}
- 统计文件的热词个数
//统计热门单词个数
public static void countHotWords(){
sortWord();
String str;
int length = wordList.size();
if(length > 10){
for(int i = 0; i < 10; i++){
str = wordList.get(i);
hotWordList.add(str);
}
}
else{
hotWordList.addAll(wordList);
}
}
- 热门单词排序
//对统计完的单词进行排序
public static void sortWord(){
List<Map.Entry<String, Integer>> list = new ArrayList<>(records.entrySet());
Collections.sort(list, new Comparator<Map.Entry<String, Integer>>() {
@Override
public int compare(Map.Entry<String, Integer> o1, Map.Entry<String, Integer> o2) {
return o2.getValue().compareTo(o1.getValue());
}
});
String str;
for (Map.Entry<String, Integer> e: list) {
str = "<"+e.getKey()+">: "+e.getValue();
wordList.add(str);
}
}
-
WordCount进阶需求
- 线程爬取CVPR2018官网
//线程爬取官网链接
public static void crawler(){
try{
String url = "http://openaccess.thecvf.com/CVPR2018.py";
crawlerLink(url);
new Thread(new Runnable() {
@Override
public void run() {
while(!links.isEmpty()){
String link = links.getFirst();
links.removeFirst();
crawlerContent(link);
try {
Thread.sleep(1000);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
}
}).start();
}catch (Exception e){
e.printStackTrace();
}
}
- 爬取CVPR2018官网所有文章链接
//爬取所有文章链接
public static void crawlerLink(String url){
try{
Document doc = Jsoup.connect(url).get();
Element content = doc.getElementById("content");
Elements ptitles = content.getElementsByClass("ptitle");
for(Element item : ptitles){
Element link = item.selectFirst("a");
String href = "http://openaccess.thecvf.com/"+link.attr("href");
links.add(href);
}
}catch (Exception e){
e.printStackTrace();
}
}
- 获取CVPR2018所有文章的标题和摘要
//获取所有文章的标题和摘要
public static void crawlerContent(String url){
try{
StringBuilder results = new StringBuilder();
Document doc = Jsoup.connect(url).get();
Element content = doc.getElementById("content");
results.append(index+"
");
String title = content.getElementById("papertitle").text();
results.append("title: "+title+"
");
String abstractText = content.getElementById("abstract").text();
results.append("abstract: "+abstractText+"
"+"
"+"
");
saveArticle(results);
index++;
}catch (Exception e){
e.printStackTrace();
}
}
- 将CVPR2018官网爬取的内容保存到result文本
//将爬取的内容保存到result文本
public static void saveArticle(StringBuilder content)throws Exception{
File file = new File(path+"result.txt");
if(!file.exists()){
file.createNewFile();
}
FileWriter fw = new FileWriter(file,true);
BufferedWriter bw = new BufferedWriter(fw);
bw.write(content.toString());
bw.flush();
bw.close();
}
- 接收命令行参数
if(args.length == 0){
throw new IllegalArgumentException();
}
for (int i = 0; i < args.length; i++) {
if(args[i].equals("-i")){
orders.put("-i",args[i+1]);
i++;
}else if(args[i].equals("-o")){
orders.put("-o",args[i+1]);
i++;
}else if(args[i].equals("-w")){
orders.put("-w",args[i+1]);
i++;
}else if(args[i].equals("-m")){
orders.put("-m",args[i+1]);
i++;
}else if(args[i].equals("-n")){
orders.put("-n",args[i+1]);
i++;
}
}
- 命令行输入的参数赋值
//命令行参数赋值
public static void terminal(){
inputPath = path + orders.get("-i");
outputPath = path + orders.get("-o");
w = Integer.valueOf(orders.get("-w"));
if(orders.containsKey("-m")){
m = Integer.valueOf(orders.get("-m"));
isGroup = true;
}
if(orders.containsKey("-n")){
n = Integer.valueOf(orders.get("-n"));
}else{
n = 10;
}
}
- 统计字符数和有效行数（countChars = countAllChars - countNums）
//读取输入文件所有字符内容
public static void readFile()throws Exception{
File file = new File(inputPath);
BufferedReader br = new BufferedReader(new FileReader(file));
int val;
while((val=br.read())!=-1){//统计所有字符数
if((0<=val && val<=9)){
countAllChars++;
}else if(val == 10){
continue;
}else if(11<=val && val<=127){
countAllChars++;
}
}
br.close();
}
//获取文章标题，摘要字符内容及有效行数
public static void dealFile()throws Exception{
String regex = "\d+";
File file = new File(inputPath);
if(!file.exists()){
file.createNewFile();
}
BufferedReader br = new BufferedReader(new FileReader(file));
String line,title,abstractText;
while((line=br.readLine())!=null){
if(line.matches(regex)){
countNums += line.length() + 1;//统计论文编号所在行字符数
} else if(line.startsWith("title: ")){
countLines++;//统计有效行数
countNums += 7;//统计title: 字符数
title = line.substring(6).toLowerCase();
if(w == 0){
countWords(title,1);
}else if(w == 1){
countWords(title,10);
}
if(isGroup){
if(w == 0){
countWordGroups(title,1);
}else if(w == 1){
countWordGroups(title,10);
}
}
}else if(line.startsWith("abstract: ")){
countLines++;//统计有效行数
countNums += 10;//统计abstract: 字符数
abstractText = line.substring(9).toLowerCase();
countWords(abstractText,1);
if(isGroup){
countWordGroups(abstractText,1);
}
}
}
br.close();
countHotWords();
if(isGroup){
countHotWordGroups();
}
}
- 统计单词权重词频
//统计单词
public static void countWords(String content, int weight){//weight权重的词频统计
Pattern expression = Pattern.compile("[a-z]{4,}[a-z0-9]*");//匹配单词
String str = content;
Matcher matcher = expression.matcher(str);
String word;
while (matcher.find()) {
word = matcher.group();
countWords++;
if (records.containsKey(word)) {
records.put(word, records.get(word) + weight);
} else {
records.put(word, weight);
}
}
}
- 统计词组权重词频（拟字符串匹配算法）
//统计单词词组
public static void countWordGroups(String content, int weight){//词组权重词频统计
StringBuffer sbf = new StringBuffer();
int size = content.length();
char []arr = content.toCharArray();
for (int i = 0; i < size; i++) {//去除分隔符整合所有字符
char val = arr[i];
if(48<=val && val<=57){
sbf.append(val);
}else if(97<=val && val<=122){
sbf.append(val);
}
}
allText = sbf.toString();//获取所有字符(去分隔符后)
Pattern expression = Pattern.compile("[a-z]{4,}[a-z0-9]*");
String str = content;
Matcher matcher = expression.matcher(str);
String word;
ArrayList<String> group = new ArrayList<>();
while (matcher.find()) {//提取单词
word = matcher.group();
group.add(word);//单词归组
}
int len = group.size();
for (int i = 0; i <= len-m; i++) {
String pr = "";
String pr2 = "";
for (int j = i; j < i+m; j++) {//将m个单词构成字符串pr,pr2为记录单词构成的词组
pr += group.get(j);
pr2 += group.get(j);
if(j < (i+m)-1){
pr2 +=" ";
}
}
if(allText.indexOf(pr)!=-1){//在allText中匹配子字符串pr
if (records2.containsKey(pr2)) {//词组归组
records2.put(pr2, records2.get(pr2) + weight);
} else {
records2.put(pr2, weight);
}
}
}
}
- 统计高频单词
//统计热度单词
public static void countHotWords(){
sortWords();
String str;
int length = wordList.size();
if(length > n){
for(int i = 0; i < n; i++){
str = wordList.get(i);
hotWordList.add(str);
}
}
else{
hotWordList.addAll(wordList);
}
}
- 统计高频词组
//统计热度词组
public static void countHotWordGroups(){
sortWordGroups();
String str;
int length = wordGroupList.size();
if(length > n){
for(int i = 0; i < n; i++){
str = wordGroupList.get(i);
hotWordGroupList.add(str);
}
}
else{
hotWordGroupList.addAll(wordGroupList);
}
}
- 高频单词排序
//单词排序
public static void sortWords(){
List<Map.Entry<String, Integer>> list = new ArrayList<>(records.entrySet());
Collections.sort(list, new Comparator<Map.Entry<String, Integer>>() {
@Override
public int compare(Map.Entry<String, Integer> o1, Map.Entry<String, Integer> o2) {
return o2.getValue().compareTo(o1.getValue());
}
});
String str;
for (Map.Entry<String, Integer> e: list) {
str = e.getKey()+":"+e.getValue();
wordList.add(str);
}
}
- 高频词组排序
//词组排序
public static void sortWordGroups(){
List<Map.Entry<String, Integer>> list = new ArrayList<>(records2.entrySet());
Collections.sort(list, new Comparator<Map.Entry<String, Integer>>() {
@Override
public int compare(Map.Entry<String, Integer> o1, Map.Entry<String, Integer> o2) {
return o2.getValue().compareTo(o1.getValue());
}
});
String str;
for (Map.Entry<String, Integer> e: list) {
str = "<"+e.getKey()+">:"+e.getValue();
wordGroupList.add(str);
}
}
4.WordCount基本需求单元测试
- 样例1
- 测试1结果
- 样例2
- 测试2结果
- 样例3
- 测试3结果
5.交流与讨论
-
D：每个人分工不均
-
A：多商量多讨论
-
D：需求理解不到位
-
A：分析理解讨论需求
-
D：代码BUG改不出来
-
A：多多时候搜索引擎
6.困难与解决
- 对于统计文件的字符数，原本打算通过readLine()方法读取求取长度以获取字符数，但是突然发现行不通，因为readLine()不能读取换行，而且不能判断最后一行是否换行，以及空白行，最后决定采用read()方法逐个字符读取。
- 对于统计文件的有效行数，本来想借用read()读取到的“ ”字符来判断行数，突然发现空白行不能解决，照样统计，于是改用readLine()方法，借助正则表达式匹配空行的方法解决。
- 对于单词个数的统计，正则表达式一步到位。但是对于TreeMap的排序，自己还不很懂，最后通过百度，找到Collections接口调用排序得以解决。
- 对于“Core模块”的功能，我还不是很懂，不知道怎么把统计字符数，统计单词数，统计最多的10个单词及其词频这三个功能独立出来，总感觉三个功能模块联系密切，最后也只是简单地将每个功能单独成函数形式简单分离。
- 对于Jsoup爬虫工具的使用还不是很熟练，如元素的定位和信息的提取经常出错。
- 对于统计论文当中的字符数，刚开始用readLine()方法读取title和abstract内容，发现并不能正确统计字符数，当中存在棘手的问题，就是换行符的统计不准确，最后决定采用总字符数减掉论文编号所在行的字符数，title：和abstract：的字符数。
- 对于单词词组的统计，刚开始无从下手，想采用正则表达式匹配，突然发现该怎么构建正则表达式，最后想了很久，决定采用拟字符串匹配算法的方法。也就是说，先把多个单词构成字符串，接着把要出来的字符串进行去分隔符的整合处理成大字符串，然后用子字符串去匹配，如匹配成功，则该词组满足要求，反之不成立，最后将满足要求的词组进行词频统计并保存。
7.心得与总结
最大的收获，应该就是发现问题，解决问题的过程，有时候因为一小小的细节，弄得自己焦头烂额，但是当突然找到问题的所在时，心里顿时轻松了很多。这或许是调试bug必然的过程。此外，我们也学到了一些实用的技能，如Jsoup工具的使用，GitHub的项目的上传等。
蔡鸿键
这次结对我对于团队的作用比较小，主要负责文档的编写与GITHUB的上传和代码测试优化，在代码这一块涉及比较小，主要是因为分工不明。我认为以后团队编码时应该大家先聚在一起讨论需求题目，相互信任，这才会使团队作用最大化。
队友这次主要负责代码部分，特别认真，考虑周到，分析需求到位。
蔡森林
这次结对编程，总体来说，收获还是挺大的，我主要负责代码编程，很多时候经常被一小bug弄得焦头烂额，但是有时候突然灵光一现，那又是多么令人开心的事。此次的编程，不仅让我的编程能力得到了锻炼，也让我学到了一些新的知识，更重要的是，团队协作，不仅可以督促自己，而且更能提高效率。
队友这次主要负责项目上传，博客撰写以及后期代码测试和优化，时不时给我提供思路参考。
总结
这次任务涉及代码部分但其实是模仿现在公司的代码编程规范，现在让我们接触这些规范是有好处的，能及时的改成我们的错误的编程，培养良好的，高效率的编程。这是非常重要的。
PSP
| PSP2.1 | Personal Software Process Stages | 预估耗时（分钟） | 实际耗时（分 钟） |
| Planning | 计划 | ||
| ? Estimate | ? 估计这个任务需要多少时间 | 600 | 550 |
| Development | 开发 | ||
| ? Analysis | ? 需求分析 (包括学习新技术) | 30 | 60 |
| ? Design Spec | ? ?成设计?档 | 20 | 30 |
| ? Design Review | ? 设计复审 | 20 | 10 |
| ? Coding Standard | ? 代码规范 (为目前的开发制定合适的规范) | 20 | 20 |
| ? Design | ? 具体设计 | 120 | 250 |
| ? Coding | ? 具体编码 | 360* | 480* |
| ? Code Review | ? 代码复审 | 30 | 30 |
| ? Test | ? 测试（自我测试，修改代码，提交修改） | 30 | 20 |
| Reporting | 报告 | ||
| ? Test Repor | ? 测试报告 | 10 | 15 |
| ? Size Measurement | ? 计算工作量 | 15 | 10 |
| ? Postmortem & Process Improvement Plan | ? 事后总结, 并提出过程改进计划 | 30 | 25 |
| 合计 | 685 | 950 |