福大软工1816 · 第五次作业

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

后敬甲负责.txt文件处理中的总行数统计和总字符串的统计，博客一部分撰写

Github项目地址

https://github.com/TragedyN/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
");
			return -1;
		}
		else if(argv[p][1]=='i'){
			if (argv[p + 1] == NULL) {
				printf("缺少输入路径
");
				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
");
				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
");
				return -1;
			}
			weight = atoi(argv[p + 1]);//词频权重
			p = p + 2;
			continue;
		}
		else {
			printf("错误参数
");
			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：
  处理输入文档时因为要按照题目要求不能算上每篇文章的title和abstract还有编号的部分，所以和上一回的个人项目还是有挺多的区别，需要改写各种统计功能
• 解决方案：
  通过分析爬虫下来的结果，得到了需要统计的部分中不会出现“title”这个信息，利用这个信息可以快速找出有多少篇论文，然后再根据题意减去对应的字符总数和单词数
• 有何收获
  学习到了分析需求，和利用现有条件，更加简便和快速的完成需求

评价你的队友

认真负责，积极跟进作业，虽然现在专业知识还略有不足，但是也有很大进步的空间

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	240	686	10	60	LeetCode代码练习，爬虫学习，学习小程序开发文档
5	320	1006	40	100	学习小程序开发文档，LeetCode代码练习

　　　　

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