词频统计
一、项目要求及基本功能
项目要求：
对源文件（*.txt,*.cpp,*.h,*.cs,*.html,*.js,*.java,*.py,*.php等，文件夹内的所有文件）统计字符数、单词数、行数、词频，统计结果以指定格式输出到默认文件中，以及其他扩展功能，并能够快速地处理多个文件。
- 使用性能测试工具进行分析，找到性能的瓶颈并改进
- 对代码进行质量分析，消除所有警告，http://msdn.microsoft.com/en-us/library/dd264897.aspx
- 设计10个测试样例用于测试，确保程序正常运行（例如：空文件，只包含一个词的文件，只有一行的文件，典型文件等等）
- 使用Github进行代码管理
- 撰写博客
- 进行linux环境移植
基本功能：
- 统计文件的字符数（只需要统计Ascii码，汉字不用考虑）
- 统计文件的单词总数
- 统计文件的总行数（任何字符构成的行，都需要统计）
- 统计文件中各单词的出现次数，输出频率最高的10个。
- 对给定文件夹及其递归子文件夹下的所有文件进行统计
- 统计两个单词（词组）在一起的频率，输出频率最高的前10个。
二、需求分析
1.PSP表格
2.项目难点
1.命令行参数不熟悉，命令行操作不熟悉。
2.文件操作不熟悉，特别是遍历文件夹那个块。
3.大量数据需要处理，空间复杂度和时间复杂度都需要考虑。
三、设计实现
1.构架
2.代码结构
- 数据结构：
全局变量：
unsigned long charnumber = 0L; unsigned long linenumber = 0L; unsigned long wordnumber = 0L;
存放频率最高的单词和词组：
freNode wordfrequen[10]; freNode_s wordsfrequen[10];
存放单词的哈希表和存放词组的哈希表
hashNPtr wordhash[HASHSIZE] = { NULL };
hashNPtr_s wordshash[HASHSIZE] = { NULL };
结构体：
存放单词的哈希表的结构体，分别储存单词，次数和指向下一个结构体指针（采用拉链法）
typedef struct hashNode { char* word; unsigned int word_number; struct hashNode* next; hashNode(){ word_number=0; next=NULL; } }hashNode, *hashNPtr;
存放词组的哈希表的结构体，分别存放两个指向单词结构体的指针，次数和指向下一个结构体的指针（拉链法）
采用两个指向单词结构体的指针：不用单独更新数组的单词，单词更新后数组自动更新。
typedef struct hashNode_s { hashNPtr wordA; hashNPtr wordB; unsigned int word_number; struct hashNode_s* next; hashNode_s(){ word_number=0; next=NULL; } }hashNode_s, *hashNPtr_s;
存放频数最高的单词的结构体
typedef struct freNode { char * p; unsigned int count; freNode(){ p = NULL; count=0; } }freNode;
存放频数最高的词组的结构体
typedef struct freNode_s { char* pA; char* pB; unsigned int count; freNode_s(){ pA = NULL; pB = NULL; count=0; } }freNode_s;
- 各模块功能
1、主函数：
从命令行读入文件夹路径
调用遍历文件函数
排序
文件输出字符数，行数，单词数
2. 文件夹遍历：
windows下利用_findfirst(),和_findnext()函数。
linux则采取助教给的文档里的函数。
3. 统计：
（1）字符数，行数统计
（2）单词识别
（3）单词统计
（4）调用将已识别成功的单词和词组插入哈希表
4. 哈希：
（1）哈希函数
（2）查找和存储
（3）调用单词比较和更新函数
5. 单词处理
（1）单词比较
（2）单词更新
6. 排序
遍历哈希表进行排序
- 具体代码实现
1.main函数
int main(int argc, char* argv[]) { listDir(argv[1]); //cout << charnumber << endl; //cout << linenumber << endl; //cout << wordnumber << endl; ofstream outfile; outfile.open("result.txt", ios::out); outfile << "char_number :" << charnumber << endl; outfile << "line_number :" << linenumber << endl; outfile << "word_number :" << wordnumber << endl; outfile.close(); hashsort(wordhash, wordfrequen); hashsort_s(wordshash, wordsfrequen); return 0; }
2.遍历文件夹
windows下：
//folder and files operation //path is a folder int getfiles(string path, vector<string> &files) { //空则返回 if (path.empty()) { cout << "The path is empty!\n"; return 1; } //文件信息结构体 struct _finddata_t fileinfo; string p; p = path + "\\*"; //文件句柄 long hfile = 0L; hfile = _findfirst(p.c_str(), &fileinfo); if (hfile == -1L) cout << "cannot match the folder path\n"; else { do { //如果是目录，迭代 //如果不是则加入列表 if (fileinfo.attrib & _A_SUBDIR) { if ((strcmp(fileinfo.name, ".") != 0) && (strcmp(fileinfo.name, "..") != 0)) { getfiles(p.assign(path).append("\\").append(fileinfo.name), files); } } else { files.push_back(p.assign(path).append("\\").append(fileinfo.name)); } } while (_findnext(hfile, &fileinfo) == 0); } _findclose(hfile); return 0; } //judge a path :dir return 1; file return 0 bool judgedir(string path) { int result; struct _stat buf; result = _stat(path.c_str(), &buf); if (_S_IFDIR & buf.st_mode) { //cout << "It is a folder."<<endl; return true; } else if (_S_IFREG & buf.st_mode) { //cout << "It is a file" << endl; return false; } else return false; }
Linux下：
void listDir(char *path) //main函数的argv[1] char * 作为 所需要遍历的路径 传参数给listDir { DIR *pDir; //定义一个DIR类的指针 struct dirent *ent; //定义一个结构体 dirent的指针，dirent结构体见上 int i = 0; char childpath[512]; //定义一个字符数组，用来存放读取的路径 pDir = opendir(path); // opendir方法打开path目录，并将地址付给pDir指针 memset(childpath, 0, sizeof(childpath)); //将字符数组childpath的数组元素全部置零 while ((ent = readdir(pDir)) != NULL) //读取pDir打开的目录，并赋值给ent, 同时判断是否目录为空，不为空则执行循环体 { if (ent->d_type & DT_DIR) /*读取 打开目录的文件类型 并与 DT_DIR进行位与运算操作，即如果读取的d_type类型为DT_DIR (=4 表示读取的为目录)*/ { if (strcmp(ent->d_name, ".") == 0 || strcmp(ent->d_name, "..") == 0) //如果读取的d_name为 . 或者.. 表示读取的是当前目录符和上一目录符, //则用contiue跳过，不进行下面的输出 continue; sprintf(childpath, "%s/%s", path, ent->d_name); //如果非. ..则将 路径 和 文件名d_name 付给childpath, 并在下一行prinf输出 //printf("path:%s\n",childpath);原文链接这里是要打印出文件夹的地址 listDir(childpath); //递归读取下层的字目录内容， 因为是递归，所以从外往里逐次输出所有目录（路径+目录名）， //然后才在else中由内往外逐次输出所有文件名 } else //如果读取的d_type类型不是 DT_DIR, 即读取的不是目录，而是文件， //则直接输出 d_name, 即输出文件名 { //cout<<ent->d_name<<endl; 输出文件名 //cout<<childpath<<"/"<<ent->d_name<<endl; 输出带有目录的文件名 sprintf(childpath, "%s/%s", path, ent->d_name); //你可以唯一注意的地方是下一行 //目前childpath就是你要读入的文件的path了，可以作为你的读入文件的函数的参数 statistics(childpath);//这里就是你的处理文件的接口！， } } }
3.统计函数（单词识别）：
void statistics(char* filepath) { ifstream infile; ofstream outfile; hashNPtr curr = NULL; hashNPtr pre = NULL; char words[MAXWORD] = { 0 }; char c; short ctype; short i = 0; bool preflag = 0; int r = 0; infile.open(filepath, ios::in); while (!infile.eof()) { c = infile.get(); ctype = is_char(c); //如果是字符 if (ctype == 1 || ctype == 2 || ctype == 3) { charnumber++; //如果是数字 if (ctype == 1) { if (i > 3) { words[i] = c; i++; } else { memset(words, 0, sizeof(words)); i = 0; } } //如果是字母 else if (ctype == 2) { words[i] = c; i++; } //如果是分隔符 else { if (i > 3) { wordnumber++; curr = insertword(words, wordhash, MAXWORD); if (preflag) { insertwords(pre, curr); } pre = curr; preflag = 1; } i = 0; memset(words, 0, sizeof(words)); } //如果是换行符 } else { if (ctype == 4) linenumber++; if (i > 3) { wordnumber++; curr = insertword(words, wordhash, MAXWORD); if (preflag) { insertwords(pre, curr); } pre = curr; preflag = 1; } i = 0; memset(words, 0, sizeof(words)); } //单词统计 } linenumber++; infile.close(); }
4.哈希
4.1哈希函数
//caculate the hashvalue unsigned long hash_function(char *p) { unsigned long h = 0; for (; *p; p++) { if ((*p > 64) && (*p < 91)) { h = MUTI*h + *p; } else if ((*p > 96) && (*p < 123)) { h = MUTI*h + *p - 32; } } return h % HASHSIZE; }
4.2哈希查找与存储
单词：
//insert the word to the hash table hashNPtr insertword(char* s, hashNPtr *hashp, unsigned int N) { unsigned long pos = hash_function(s); hashNPtr p; for (p = hashp[pos]; p != NULL; p = p->next) { if (is_same_word(p->word, s)) { update_word(p->word, s); (p->word_number)++; return p; } } p = new hashNode; p->word = new char[N]; strcpy(p->word, s); p->word_number = 1; p->next = hashp[pos]; hashp[pos] = p; return p; }
词组：
void insertwords(hashNPtr pre, hashNPtr curr) { unsigned long pos = (hash_function(pre->word) + hash_function(curr->word)) % HASHSIZE; hashNPtr_s p; for (p = wordshash[pos]; p != NULL; p = p->next) { if (is_same_word(p->wordA->word, pre->word) && is_same_word(p->wordB->word, curr->word)) { (p->word_number)++; return; } } p = new hashNode_s; p->wordA = pre; p->wordB = curr; p->word_number = 1; p->next = wordshash[pos]; wordshash[pos] = p; }
5.字符与单词处理
字符识别：
//judge a char short is_char(char c) { //数字返回1 if (c >= 48 && c <= 57) return 1; //字母返回2 else if (c >= 65 && c <= 90 || c >= 97 && c <= 122) return 2; //字符返回3 else if (c >= 32 && c <= 126) return 3; //换行符返回4 else if (c == '\n') return 4; else return 0; }
单词比较：
int is_same_word(char* old, char* s) { char* oldd = old; char* ss = s; bool flag = false; for (; *old && *s; old++, s++) { //都是字母 if (*old > 64 && *s > 64) { if (flag == true) return 0; else { if ((*old - *s) != 32 && (*old - *s) != -32 && (*old - *s) != 0) return 0; } } //都是数字 else if (*old < 64 && *s < 64) { if (*old != *s) flag = true; } //有数字有字母 else return 0; } while (*old) { if (*old > 64) return 0; old++; } while (*s) { if (*s > 64) return 0; s++; } return 1; }
单词更新：
int update_word(char* old, char* s) { if (strcmp(old, s) > 0) { strcpy(old, s); return 1; } return 0; }
6.排序及输出
单词：
//hashsort void hashsort(hashNPtr *hashp, freNode *frep) { int i, j, k; hashNPtr q; for (i = 0; i < HASHSIZE; i++) { for (q = hashp[i]; q != NULL; q = q->next) { for (j = 0; j < 10; j++) { if (q->word_number >frep[j].count) { for (k = 8; k >= j; k--) frep[k + 1] = frep[k]; frep[j].count = q->word_number; frep[j].p = q->word; break; } } } } ofstream outfile; outfile.open("result.txt", ios::out | ios::app); outfile << "the top ten frequency of word:" << endl; for (i = 0; i < 10; i++) { if (frep[i].p == NULL) return; outfile << frep[i].p << " " << frep[i].count << endl; //cout << frep[i].p << " " << frep[i].count << endl; } outfile.close(); }
词组：
void hashsort_s(hashNPtr_s *hashp, freNode_s *frep) { int i, j, k; hashNPtr_s q; for (i = 0; i < HASHSIZE; i++) { for (q = hashp[i]; q != NULL; q = q->next) { for (j = 0; j < 10; j++) { if (q->word_number >frep[j].count) { for (k = 8; k >= j; k--) frep[k + 1] = frep[k]; frep[j].count = q->word_number; frep[j].pA = q->wordA->word; frep[j].pB = q->wordB->word; break; } } } } ofstream outfile; outfile.open("result.txt", ios::out | ios::app); outfile << "the top ten frequency of phrase:" << endl; for (i = 0; i < 10; i++) { if (frep[i].pA == NULL || frep[i].pB == NULL) return; outfile << frep[i].pA << " " << frep[i].pB << " " << frep[i].count << endl; //cout << frep[i].pA << " " << frep[i].pB <<" "<<frep[i].count << endl; } outfile.close(); }
相关说明：
（1）windows上的统计接口是一个文件名字的数组，在遍历文件的过程中将文件名存放在数组中，然后在统计的时候遍历该数组，事实上这是一种重复性工作。助教给的代码当中给了提示：就是以文件名作为统计的接口，这样子代码更为简洁，并且耦合更加松散，所以在Linux下的代码跑起来更快。
（2）排序用最简单的遍历，该排序方法考虑到只求频率最高的十个这个要求。
（3）由于要求词组上的单词是根据单词更新的而非词组，故词组哈希表里存储的是指针。
四、性能分析
时间：
用release运行为25秒左右
其中大部分时间花在了统计函数上。
并且值得注意的是menset()函数也占用了大量的时间。
还有读文件也占用了大量的时间
字符的比较也耗费了比较大的时间。
而哈希的查找和存储占了百分之三十的时间，可见哈希函数也是需要改进的。
并且拉链法可能并不是最佳选择。
总的来说，文件操作和字符操作消耗了大部分时间。
五、结果比对：
左边是自己的程序，右边是助教的。字符数和单词数有一定误差，似乎是二进制文件的问题。
六、思考与总结
通过这次一周的学习，学到了特别多的东西，也算是弥补了之前很多知识的缺漏。
由于对命令行参数不熟悉，以及文件遍历，文件操作，甚至是路径等概念不熟悉，导致周六一整天都在查阅相关资料，也学到了很多东西。
其次是对数据结构的应用和算法的应用在大样本之下有了更深的理解，好的合适的数据结构能够大大提高程序的运行速度。
接下来是对github的熟悉和应用，之前只注册了账号，虽然还是只知道冰山一角，但还是感觉收获颇多。
移植Linux环境：首先是助教给的代码给了一定的启发，可以跳过存储文件名的环节，并且使模块之间有更松散的耦合关系。其次是虚拟机的安装和使用，这也是我第一次安装Linux虚拟机并且下载g++在Linux环境下实现编程。
由于VS的性能分析功能之前一直崩溃，后来重装后才可以进行，比较仓促，所以性能分析并不是特别到位。
总之这是一次信息量爆炸式增长的一周，也是收获满满的一周。
