Homework1：词频统计程序

2013-09-25 汪仁贵 11061162

一、项目要求：

  1. 递归遍历目标目录下.txt、.h、.cpp、.c文件，统计里面的单词出现次数，将结果有序输出；
  2. 单词定义为以四个英文字母开头，由字母加数字组成；
  3. 排序输出时，按词频输出，词频相同按单词字典序输出；
  4. 程序在两种模式下运行，简单模式和扩展模式，扩展模式要求将尾部数字不同的单词按相同单词计算词频。

二、程序框架设计

　　在动手写程序之前，对程序的框架进行了设计。

　　这个程序要实现的功能有三大块：1.递归遍历目标文件目录，找出要求的四种文件。

　　　　　　　　　　　　　　　　　2.按规则读取其中的word。

　　　　　　　　　　　　　　　　　3.将读取的word有序输出。

　　因为c++库里面封装了排序的函数，所以，3的实现比较简单。于是，我将1，2分别用Reverse（）和wordStatistics这两个函数实现，并封装在frequencyCounter类里，由init调用。

 

 

　　　　　　　　　　

　　　最初我乐观估计实现这三个功能只要4小时足矣，结果，结果很惨烈……

三、功能实现：

　　最终为了实现这些功能，我实际花费时间在20个小时左右（大致估计）.
　　

       //patten用于匹配符合要求的单词（四个字母打头，有字母数字组成
        const regex patten("[a-zA-Z]{4}[a-zA-Z0-9]*");    
        //pattenOfExtend用于匹配扩展模式下有数字后缀的单词
    　　const regex pattenOfExtend("[a-zA-Z0-9]*[0-9]+");        
 1 /*init通过调用Reverse(filename)实现递归遍历目录filename里的四种文本文件并统计词频,调用sort(wordlist.begin() ,wordlist.end(),cmp)对结果排序
 2 */
 3 void frequencyCounter::init (){ 
 4     ofstream outFile("futurewrg@gmail.com.txt",ios::out);
 5     Reverse(filename);
 6     sort(wordlist.begin() ,wordlist.end(),cmp); 
 7     for(vector<wordF>::iterator iter=wordlist.begin ();iter!=wordlist .end();iter++)
 8         outFile<<(*iter).word
 9         <<":"
10         <<(*iter).fre 
11         <<endl;    
12     outFile.close();
13 }

其它Reverse（）函数和wordStatistics（）请参见源代码。

四、性能分析。

　　1、Code Analysis。

　　　　第一次只出现了一个问题，就是wordStatistics函数没有写返回值。

　　　　

　　　　改过之后再分析，再次报错，说_findnext(if,&file);返回值未使用，可是，，可是我没需要用它的返回值啊。。。于是，，我用了一个自我感觉良好的办法，，嘿嘿，都佩服我自己了……

//改进前的代码
void frequencyCounter::Reverse(char* filename){
    
    if((lf=_findfirst(dir.c_str(),&file))!=-1)
    {
                _findnext(lf,&file);    
//这行代码我真心只是想让他将目录下子目录..过滤掉
                 …………         
        }    
        …………
}    
//改进后的代码
void frequencyCounter::Reverse(char* filename){
    if((lf=_findfirst(dir.c_str(),&file))!=-1l&&_findnext(lf,&file)==0)                     
  　{ 　　　　　　　　　　　　　　　　　　　　//我把它加到if的判断语句里，嘿嘿，利用上了返回值
        ……
  　}
}

　　2.Performance

　　

　　

　　

　　看了这个结果我感觉还是比较正常吧，因为整个程序中最大工作量就在word的处理上，而我使用正则表达式处理word，所以正则函数regex_match（）占用最多时间

　　

五、个人总结。

　　　　写完这个程序，花了这么多时间，最后写出了124行的程序（不包括头文件），只能说欲哭无泪啊。。。。。（之前没有好好学c++的节奏）

　　　　不过这个痛苦的过程也学到了不少技巧，例如功能强大的_finddata_t,_findnext,_findfirst这些文件处理的结构和函数，用起来真心方便，直接38行就完成了递归地从目标目录里筛选出要求文件的功能。还有regex，正则表达式，用起来方便，直接一行就完成了对扩展模式下含数字后缀的word的筛选。

　　　　好吧，写完这个程序，我知道，我真心不会c++，真心要好好学c++了，不然，，软工就要一直悲剧下去了……

 

 

 

 

 

posted @ 2013-09-25 00:01  IAmHere  阅读(321)  评论(0)  编辑  收藏  举报