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
