结对第二次—文献摘要热词统计及进阶需求
课程链接：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：221600205 | 221600207
作业目标1：一、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。
作业目标2：二、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
团队分工：###
黄权焕：
1.主要代码实现
2.需求分析讨论
3.博客撰写
4.代码测试
陈红宝：
1.爬虫代码实现
2.需求分析讨论
3.博客撰写
4.代码测试
作业正文##
一、PSP表格###
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 | 900 | |
Development | 开发 | | |
• Analysis | • 需求分析 (包括学习新技术) | 120 | 600 |
• Design Spec | • 生成设计文档 | 60 | 60 |
• Design Review| • 设计复审 | 30 | 60 |
• Coding Standard | • 代码规范 (为目前的开发制定合适的规范) | 30 | 30 |
• Design | • 具体设计 | 120 | 200 |
• Coding | • 具体编码 | 600 | 900 |
• Code Review | • 代码复审 | | |
• Test | • 测试（自我测试，修改代码，提交修改） | 30 | 120 |
Reporting | 报告 | 60 | 150 |
• Test Repor | • 测试报告 | 30 | 30 |
• Size Measurement | • 计算工作量 | 30 | 30|
• Postmortem & Process Improvement Plan | • 事后总结, 并提出过程改进计划 | 30 | 30|
|合计 | 1110 |2210 |
二、解题思路描述###
说太多的解题思路描述，反倒像是事后诸葛亮。我就着实的描述一下当时的情况。####
记得开始工作的时候是上周六（3月9号）。周五晚上发布作业，大概看了一下需求。从感觉上来看，有些多，也有些复杂。
于是，周六早上和下午完成其他工作后，就开始讨论本次作业了。
但是，问题发生了！我的Eclipse用不了，要重新配置环境变量。跟着百度上的教程，一步一步的走，但总是解决一个错误又出现另外一个错误。期间，环境变量的配置方式都用了三种。花费一个晚上的时间，最后所有东西都卸载重装，问题终于解决了！顿时松了一口气。
但问题是，我的同伴，在这个晚上，已经把基础需求代码全部写出来了。
就像那句话怎么说：时间是讲公平的，当你忙于一件事情的时候，有人已经把另外一件事情忙完了！
有些惭愧，因为没有太多的讨论，以及对他有任何帮助！他一个人默默的完成了！
之后的一天也就是上周日（3月10号）晚上。我做的事情是理解同伴编写的代码。同时也理解作业的需求。
有很多收获，也发现了一些问题，之后会一一道来。
三、设计实现过程###
基础需求实现####
（1）需求分析####
第一步、实现基本功能####
1.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####
2.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####
3.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。####
4.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。####
5.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####
分析：从宏观上来说，就是输入一个文件的内容，然后截取以4个英文字母开头及以上的单词，输出。并统计单词总数，有效行数，各单词的出现次数。####
然后，细分下来就是实现了！####
实现讲解：####
1.从文件中读取字符流到缓冲区，判断缓冲区的每一行字符，切割字符串（去掉非字母非数字的符号），将切割出来的字符串保存到字符数组中，并记录有效行
2.将字符数组中的字符串转换为小写格式（方便之后判断和输出）。循环判断字数组符中的字符串前4个字符是否是小写字母。如果是，则保存到哈希表中（方便字典序排序），并增加单词数。如果不是，则舍去该字符串。
3.有哈希表中存储的字符串，可以方便的输出单词和词频。
4.算法思路：
获取行数
将文件打开后,用readLine()函数逐行读取文本内容并保存在fContent上，此时叠加行数。
获取字符数
将字符串fContent读取成功后，字符数+=fContent.length;
获取单词数
将fContent使用split(“\W+”)分割成只有可写字符的单词组存入String [] ch中，单词数+=ch.length;
数据结构
使用HashMap保存单词和使用频率，不使用TreeMap的原因是，TreeMap没有自带按值排序后，相同值按字典序排序的特性。而HashMap可以使存储、查找的时间效率都在O(1)内完成，而不是TreeMap的log(N);
值得注意的是，Map本身排序需要转化成List,排序成功后因将结果应重新转化为LinkedHashMap。LinkedHashMap可以按插入顺序保存。
进阶需求
自定义输入输出
在类中额外保存输入输出名即可。
自定义词频统计输出
在类中额外保存一个最大单词数用来控制LinkedHashMap长度即可。
权重分析
在HashMap插值时，额外判断是否来自Title，是的话记录数+10，否则+1即可。
多参数的混合使用
读取一行，依旧用split(“-“)函数分割成不同指令，分别调用函数即可。
从文件中得到字符串####
public void getWord()
{
LinkedHashMap<String,Integer> list = sortMap(maxWordNum);
try {
FileOutputStream fos = new FileOutputStream(fileOutput);
OutputStreamWriter osw = new OutputStreamWriter(fos);
BufferedWriter buff = new BufferedWriter(osw);
String content = "characters: " + fByteCount + "\r\n";
content += "words: "+ getFWordCount() + "\r\n";
content += "lines: "+ fRowCount + "\r\n";
Iterator<String> iterator = list.keySet().iterator();
while (iterator.hasNext()) {
String key = iterator.next();
content += "<" + key.replace("=", ">: ") + "\r\n";
//System.out.println(key.replace("=", ">: "));
}
//System.out.print(content);
buff.write(content);
buff.flush();
fos.close();
} catch (FileNotFoundException e) {
// TODO
e.printStackTrace();
} catch (IOException e) {
// TODO
e.printStackTrace();
}
}
public void setWord()
{
try {
String fContent = "";
FileInputStream fis = new FileInputStream(fileInput);
InputStreamReader isr = new InputStreamReader(fis);
BufferedReader br = new BufferedReader(isr);
fWordCount = fByteCount = fRowCount = 0;
while ((fContent = br.readLine()) != null) {
if(fContent.length() > 3)//
{
fRowCount ++;
if(fContent.charAt(0) == 'T')
{
fContent = fContent.substring(6, fContent.length()-1 );
fByteCount += fContent.length();//
setMap(fContent,true);
}
else if(fContent.charAt(0) == 'A')
{
fContent = fContent.substring(9, fContent.length()-1 );//remove(Abstract: )
fByteCount += fContent.length();//
setMap(fContent,false);
}
}
}
fis.close();
} catch (FileNotFoundException e) {
System.out.print("");
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
判断字符是否符合要求####
public void setMap(String fContent,boolean isTitle)
{
String [] ch = fContent.split("\\W+");
for(int i = 0; i< ch.length ;i++)
{
if(ch[i].length()>=4)
{
ch[i] = ch[i].toLowerCase();
if (isLower(ch[i].charAt(0)) && isLower(ch[i].charAt(1)) && isLower(ch[i].charAt(2)) && isLower(ch[i].charAt(3)) )
{
//System.out.print(ch[i]);
fWordCount ++;
if( map.containsKey(ch[i]) )
map.put(ch[i],(wValue & isTitle) ? map.get(ch[i])+10 : map.get(ch[i])+1);
else
map.put(ch[i], (wValue & isTitle) ? 10 : 1);
}
}
}
}
哈希表排序（方便输出字典序）####
public LinkedHashMap<String,Integer> sortMap(int num)
{
List<Map.Entry<String,Integer>> list = new ArrayList<Map.Entry<String,Integer>>(map.entrySet());
Collections.sort(list, new Comparator<Map.Entry<String, Integer>>() {
public int compare(Map.Entry<String, Integer> o1, Map.Entry<String, Integer> o2) {
return o2.getValue() != o1.getValue() ? (o2.getValue() - o1.getValue()) : (o1.getKey()).toString().compareTo(o2.getKey());
//return (o1.getKey()).toString().compareTo(o2.getKey());
}
});
LinkedHashMap<String,Integer> tmp = new LinkedHashMap<String,Integer>();
for (int i = 0; i < list.size() && i< num; i++) {
String id = list.get(i).toString();
Integer value = list.get(i).getValue();
tmp.put(id, value);
//System.out.println(id + (value));
}
return tmp;
}
代码优化和接口封装是同伴细化处理的，一眼看去就工整清秀。####
public lib()
{
fileInput = "cvpr/result.txt";
}
public lib(String fName)
{
fileInput = fName;
setWord();
}
public void setFileInput(String fName)
{
fileInput = fName;
}
public void setFileOutput(String fName)
{
fileOutput = fName;
}
public void setWValue(int num)
{
wValue = num > 0 ? true : false;
}
public void setMaxWordNum(int num)
{
if(num >= 0) maxWordNum = num;
}
public int getFWordCount()
{
return fWordCount;
}
public int getFRowCount()
{
return fRowCount;
}
public int getfByteCount()
{
return fByteCount;
}
public int getMaxWordNum()
{
return maxWordNum;
}
public int getMaxWordNum(int num)
{
return maxWordNum = num;
}
public boolean isLower(char c)
{
return (c>='a' && c<='z');
}
public boolean isDigit(char c)
{
return c<='0' && c<='9';
}
爬虫实现####
爬虫实现是我自己一步一步的，从没听说过，到查资料，写代码，最后是输出 result.txt文件,用了三个晚上加一个通宵，和其他一些零零散散的时间。
怎么说呢！还是先描述一下学习的过程吧！因为用得时间多，学得也多嘛！
周一（3月11日）晚上，开始学习爬虫之旅。有些惶恐，也有些期待。当时觉得这个爬虫技术学会了，以后会有大用处。就像一个朋友开玩笑说：“学了爬虫，以后都可以自己上起点小说网爬取小说内容了！”
我记得一开始百度搜索的时候，爬虫软件很多，我下载了一个叫“后羿”的爬虫软件，不过没用上，因为要学习后自己编码！
学习的过程，大多是重复历史。从网上找一些具体的代码例子，看看别人怎么写代码，又实现了哪些功能。
而我学习的过程，借鉴了五份代码。都是一份一份的从网上查找，选取感觉适合的。然后一边敲写，一边理解。
第一份：关于URL链接输出HTML全部信息。从这份中，我学到了URL链接以及获取网页html的内容。
第二份：从一段字符串中，使用正则表达式截取电话号码。（当时还不知道正则表达式，只记得搜索相关资料的时候看见网上有人表示：“正则表达式写错了一点点，后面就全部错了。”于是，谨慎细微，不敢擅自修改样例中的正则表达式。但最后在自己理解正则表达式后发现，这好像也不是当时想的那么难的。）
第三份：从单个网页中截取需要的信息（用正则表达式）。当时在里的时候，就是很谨慎的，正则表达式和对应网页上的信息看了一遍又一遍，勉强理解了，但几乎不会用。直到把正则表达式的规则看了许多遍，才豁然开朗。
第四份：是关于读取从第一个页面出发，然后读取很多页面的链接以及链接里的内容。这份样例代码不多，但当时理解起来很繁琐，头都要炸了
第五份：和第三份一样，是从单个网页中截取需要的信息。我最后完成的代码，大部分格式都是模仿这一份的。
完成篇：代码爬取出论文后，依旧还有两个改进，这个下面优化的时候会讲。
爬虫实现：####
1.获取一个页面上的标题和摘要信息####
private static String htmlFiter(String html,int num)
{
StringBuffer buffer = new StringBuffer();
String str1= "";
String str2= "";
// 匹配Title(题目),题目被包含在<div id="papertitle"> 和 </div>中
Pattern p1 = Pattern.compile("(<div id=\"papertitle\">)(.+?)(</div>*)");
Matcher m1 = p1.matcher(html);
// 匹配Abstract(摘要)，摘要被包含在<div id="abstract"> 和 </div>中
Pattern p2 = Pattern.compile("(\"abstract\")(.+?)(</div>*)");
Matcher m2 = p2.matcher(html);
if(m1.find() && m2.find())
{
str1 = m1.group(2);
str1 = num+"\r\n"+"Title: "+str1+"\r\n";
// buffer.append("\nTitle: ");
// buffer.append(str1);
str2 = m2.group(2);
str2 = str2.replace(">","");
str2 = "Abstract:"+str2+"\r\n"+"\r\n";
// buffer.append("\nAbstract: ");
// buffer.append(str2);
// buffer.append("\n");
try
{
File file = new File("D:\\result.txt");
FileWriter fw = new FileWriter(file,true);
String str5 = str1;
fw.write(str5);
String str6 = str2 + System.getProperty("line.separator");
fw.write(str6);
fw.close();
}catch(Exception e) {
e.printStackTrace();
}
}
return buffer.toString();
}
2.获取主页上论文的链接信息。调用第一个类，接入链接信息，爬取页面上的标题和摘要信息。并保存到result.txt文档中####
private static String htmlFiter(String html,int num)
{
StringBuffer buffer = new StringBuffer();
pre_2 p2 = new pre_2();
String str = null;
Pattern p = Pattern.compile("(<div id=\"content\">)(.*)(</div>*)");
Matcher m = p.matcher(html);
if(m.find())
{
str = m.group(2);
String str1 = null;
String str2 = null;
Pattern p1 = Pattern.compile("(class=\"ptitle\">)(.+?)(a href=\")(content_cvpr_2018)(.+?)(_2018_paper.html\">)");
Matcher m1 = p1.matcher(str);
while(m1.find())
{
str1 = m1.group(5);
str2 = ("http://openaccess.thecvf.com/content_cvpr_2018"+str1+"_2018_paper.html");
buffer.append(str2);
buffer.append("\n");
p2.getTodayTemperatureInfo(str2,num);
num++;
}
}
return buffer.toString();
}
3.主函数####
public class pre_main
{
pre_1 p1 = new pre_1();
String info = p1.getTodayTemperatureInfo("http://openaccess.thecvf.com/CVPR2018.py");
}
感言：####
就像一道门，在你走进去之前，你会胡乱猜测甚至害怕。因为你不知道门里面是什么，里面对于你来说是黑漆漆的一片。而人生来就对未知的东西有着期待和恐惧。
待你真正走进这道门的时候，你感叹一声：“原来如此。”
当时我完成截取论文的爬虫代码的时候，用了三个晚上加一个通宵。但现在，你让我再爬取难度相似的文档时，我只要十分钟。这大概就是师傅领进门的重要性吧！
四、改进的思路###
（1）当时，我开始完成爬虫代码的时候，一共有两个程序。第一个：爬取主页中，关于论文链接的链接地址，保存到一个名叫 1.txt 文档中。第二个：从 1.txt 文档中，获取链接地址，再从相应的地址获取需要的论文标题和内容信息，保存到result.txt。
第一次完成的时候，截取的链接地址有两个不符合要求，改了很多次正则表达式，甚至把对的改错了！最后发现的问题是：有两个链接的地址中后面的 “CVPR”是小写，其他的是大写。发现这个的时候很开心，因为究竟了许久，最后在逐字对照正确爬取和错误爬取链接的时候发现。
（2）已经爬取了result.txt 后，还有一个问题是，会产生一个1.txt 文件。于是便需要优化，优化便是把上面两个程序都封装成包，最后在主程序中调用，既解决了产生多余 1.txt 的要求，也满足了测试要求。
正确爬取结果####
五、关键代码####
1.从文件中读取字符流到缓冲区，判断缓冲区的每一行字符，切割字符串（去掉非字母非数字的符号），将切割出来的字符串保存到字符数组中，并记录有效行####
2.将字符数组中的字符串转换为小写格式（方便之后判断和输出）。循环判断字数组符中的字符串前4个字符是否是小写字母。如果是，则保存到哈希表中（方便字典序排序），并增加单词数。如果不是，则舍去该字符串。####
3.有哈希表中存储的字符串，可以方便的输出单词和词频。####
从文件中得到字符串####
public void getWord()
{
LinkedHashMap<String,Integer> list = sortMap(maxWordNum);
try {
FileOutputStream fos = new FileOutputStream(fileOutput);
OutputStreamWriter osw = new OutputStreamWriter(fos);
BufferedWriter buff = new BufferedWriter(osw);
String content = "characters: " + fByteCount + "\r\n";
content += "words: "+ getFWordCount() + "\r\n";
content += "lines: "+ fRowCount + "\r\n";
Iterator<String> iterator = list.keySet().iterator();
while (iterator.hasNext()) {
String key = iterator.next();
content += "<" + key.replace("=", ">: ") + "\r\n";
//System.out.println(key.replace("=", ">: "));
}
//System.out.print(content);
buff.write(content);
buff.flush();
fos.close();
} catch (FileNotFoundException e) {
// TODO
e.printStackTrace();
} catch (IOException e) {
// TODO
e.printStackTrace();
}
}
public void setWord()
{
try {
String fContent = "";
FileInputStream fis = new FileInputStream(fileInput);
InputStreamReader isr = new InputStreamReader(fis);
BufferedReader br = new BufferedReader(isr);
fWordCount = fByteCount = fRowCount = 0;
while ((fContent = br.readLine()) != null) {
if(fContent.length() > 3)//
{
fRowCount ++;
if(fContent.charAt(0) == 'T')
{
fContent = fContent.substring(6, fContent.length()-1 );
fByteCount += fContent.length();//
setMap(fContent,true);
}
else if(fContent.charAt(0) == 'A')
{
fContent = fContent.substring(9, fContent.length()-1 );//remove(Abstract: )
fByteCount += fContent.length();//
setMap(fContent,false);
}
}
}
fis.close();
} catch (FileNotFoundException e) {
System.out.print("");
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
判断字符是否符合要求####
public void setMap(String fContent,boolean isTitle)
{
String [] ch = fContent.split("\\W+");
for(int i = 0; i< ch.length ;i++)
{
if(ch[i].length()>=4)
{
ch[i] = ch[i].toLowerCase();
if (isLower(ch[i].charAt(0)) && isLower(ch[i].charAt(1)) && isLower(ch[i].charAt(2)) && isLower(ch[i].charAt(3)) )
{
//System.out.print(ch[i]);
fWordCount ++;
if( map.containsKey(ch[i]) )
map.put(ch[i],(wValue & isTitle) ? map.get(ch[i])+10 : map.get(ch[i])+1);
else
map.put(ch[i], (wValue & isTitle) ? 10 : 1);
}
}
}
}
哈希表排序（方便输出字典序）####
public LinkedHashMap<String,Integer> sortMap(int num)
{
List<Map.Entry<String,Integer>> list = new ArrayList<Map.Entry<String,Integer>>(map.entrySet());
Collections.sort(list, new Comparator<Map.Entry<String, Integer>>() {
public int compare(Map.Entry<String, Integer> o1, Map.Entry<String, Integer> o2) {
return o2.getValue() != o1.getValue() ? (o2.getValue() - o1.getValue()) : (o1.getKey()).toString().compareTo(o2.getKey());
//return (o1.getKey()).toString().compareTo(o2.getKey());
}
});
LinkedHashMap<String,Integer> tmp = new LinkedHashMap<String,Integer>();
for (int i = 0; i < list.size() && i< num; i++) {
String id = list.get(i).toString();
Integer value = list.get(i).getValue();
tmp.put(id, value);
//System.out.println(id + (value));
}
return tmp;
}
六、关于队友####
队友很强！我也会努力！####
队友在代码实现和优化方面，很值得我学习。就比如说，在基础需求的字典排序中，我还在思考是不是用字符数组保存字符串后，比较相同字符串，然后进行字典排序。这样的方法，想想就很麻烦！而队友已经想到用哈希表保存数据，无论是字典安排序和输出，都很方便。
其次，这次作业在两人的沟通上远不如上一次，作业类型不同是一个原因。还有原因是，我得加强代码能力，希望能做到和队友基本同步。
七、总结####
在一番辛勤劳动以及一份充硕的收获之后，感悟颇多！
当时在阅读理解同伴的基础需求代码上就有一些想法，现在补上。
大学已经三年了！过去的时光零零散散，孤独的，寂寞的，大笑的，啜泣的。无论以前如何，现在都需要将心境沉浸下来了！而如今，有一个优秀的同伴，我很幸运。就像同样学过数据结构，同伴能灵活运用，而我还是处于老旧的思想。我要学习这样的思维方法，这一次的作业，是一个好的开端，希望能继续下去。
心里的感悟颇多，但到了嘴边，好像一切都简单了！
简单便简单罢！再说一说自学的感受。当一座你恐惧的高山被你踩再脚下时，再看看四周，便有“会当凌绝顶，一览众山小”的豪情，心中无限舒畅。就算当初学习过程中，陷入困境时，也曾无奈。挣扎着，想要抓住什么当作救命稻草。会发现，能依靠的有朋友，有自己。
当匆忙时，会过得很充实。偶尔停下脚步，会发现，这一刻以前忽略了的闲暇，是那么的美好舒服。
八、发现问题####
总结了收获，也有一些问题发现。
第一个是关于交流讨论和实践编码的
上一次作业中，交流讨论的时间很多，也从讨论中明确了工作的需求和目的。在实际工作的时候，可以引用一个成语就是：胸有成竹。
但这次作业中，一但涉及编写代码，讨论的时间就会减少很多。而且当同伴写出代码后，就不知道从哪里插手，好像自己修改就会破坏了同伴代码的完整性。
这里需要助教老师给我们解答一下疑惑。
第二个是关于github使用的
老实说，因为以前没有接触过，而且是全英文的。根据老师的作业要求，fork 了链接，新建文件夹以及Pull Request ，等等操作后，不知道是否正确。我当时是建立了一个文件，然后把完成的代码复制粘贴上去，选择了new Pull Request。但后面又经过同学的讲解，好像要下载一个github,然后克隆文件什么的。操作起来依旧是不知方向。
而我想向老师提议一下，如果下次有什么新的网站啊，还是软件什么需要用到。能不能像很多百度指导一样，给一些图片加上红色箭头标记，这样能让我们快速的熟悉运用这些网站。也许在熟练的使用者眼里，这只是简单的操作，但对于初学者来说，是莫大的帮助了！
