福大软工1816 · 第五次作业 - 结对作业2

Deadline: 2018-10-10 23:00pm

零、任务

WordCount进阶需求：结合个人项目与结对1的需求，编码实现顶会热词统计器

一、编码要求

  1. 按照[附录1]提示，Fork github 项目到自己的仓库，在Github仓库中新建一个“队友1学号&队友2学号”为名的文件夹，完成项目后正确发起一个Pull Request。
  2. 在开始实现程序之前，在PSP表格[附录2]记录下你估计在程序开发各个步骤上耗费的时间，在你实现程序之后，在PSP表格记录下你在程序的各个模块上实际花费的时间。
  3. 使用C++ 或者Java语言实现，C++请使用Visual Studio Community 2017进行开发，运行环境为64-bit Windows 10。
  4. 提交的代码要求经过Code Quality Analysis工具的分析并消除所有的警告。
  5. 完成项目的首个版本之后，请使用性能分析工具Studio Profiling Tools来找出代码中的性能瓶颈并进行改进。
  6. 使用Github[附录3]来管理源代码和测试用例，代码有进展即签入Github。签入记录不合理的项目会被助教抽查询问项目细节。
  7. 使用单元测试[附录4]对项目进行测试，并使用插件查看测试分支覆盖率等指标；写出至少10个测试用例确保你的程序能够正确处理各种情况。
  8. 两人制定需要共同遵守的代码规范，并在博客中说明各自负责的部分。

二、编码的具体要求

新增功能，并在命令行程序中支持下述命令行参数。说明：字符总数统计、单词总数统计、有效行统计要求与个人项目相同

1. 使用工具爬取论文信息

  • 从CVPR2018官网爬取今年的论文列表，输出到result.txt(一定叫这个名字)，内容包含论文题目、摘要，格式如下：
    • 为爬取的论文从0开始编号，编号单独一行
    • 两篇论文间以2个空行分隔
    • 在每行开头插入“Title: ”、“Abstract: ”（英文冒号，后有一个空格）说明接下来的内容是论文题目，或者论文摘要
    • 后续所有字符、单词、有效行、词频统计中，论文编号及其紧跟着的换行符、分隔论文的两个换行符、“Title: ”、“Abstract: ”（英文冒号，后有一个空格）均不纳入考虑范围
    • 可参考样例如下：
  • 请在博客中注明你所使用的爬虫工具，并说明如何使用
    • 如果是使用C++或Java实现的，在博客中简单解释你的思路，会有额外加分

2. 自定义输入输出文件

  • -i 参数设定读入文件的存储路径，-o 参数设定生成文件的存储路径
    • 格式如下：
WordCount.exe -i [file] -o [file]

一个例子如：

WordCount.exe -i input.txt -o output.txt
/*
 *从input.txt读取需要统计的文本，将统计结果输出到output.txt
 */

3. 加入权重的词频统计

  • 属于Title的单词权重为10，属于Abstract 单词权重为1
    • 在上文图片样例中，embodied 的频率为 1x10+2x1=12。（在题目中出现1次，在摘要中出现2次，其中1次由于图片大小未能显示）
  • 进行单词统计时依旧正常累加
  • -w 参数设定是否采用不同权重计数
    • -w 参数与数字 0|1 搭配使用，用于表示是否采用不同权重：0 表示属于 Title、Abstract 的单词权重相同均为 1 ；1 表示属于 Title 的单词权重为10，属于Abstract 单词权重为1。格式如下：
WordCount.exe -w [0|1]

一个例子如：

WordCount.exe -w 1
/*
 *程序会输出input.txt中采用不同权重统计出的词频前10的单词
 */

4. 新增词组词频统计功能

  • 统计文件夹中指定长度的词组的词频
    • m （2 ≤ m ≤ 10）个由分隔符隔开的单词组成一个词组，词组只存在于同一个字段中，即不能跨越 Title、Abstract 组成词组
    • 使用词组词频统计功能时，不再统计单词词频，而是统计词组词频，但不影响单词总数统计
    • 最终只输出频率最高的10个词组，频率相同的词组，优先输出字典序靠前的词组
  • -m 参数设定统计的词组长度
    • -m 参数与数字配套使用，用于设置词组长度，格式如下：
WordCount.exe -m [number]

一个例子如：

WordCount.exe -m 3
/*
 *要求程序统计长度为3的词组
 */

例：输入文件中内容为：

0
Title: Monday Tuesday Wednesday Thursday
Abstract: Friday

则输出如下：

characters: 40
words: 5
lines: 2
<monday tuesday wednesday>: 1
<tuesday wednesday thursday>: 1

5. 自定义词频统计输出

  • 用户指定输出前 n 多的单词(词组)与其频数
  • -n 参数设定输出的单词数量
    • -n 参数与数字搭配使用，用于限制最终输出的单词(词组)的个数，表示输出频数最多的前 [number] 个单词(词组)，0 ≤ [number] ≤ 100格式如下:
WordCount.exe -n [number]

一个例子如：

WordCount.exe -n 1
/*
 *输出文件中出现次数最多的那个单词
 */

6. 多参数的混合使用

实际测试时，在一句命令行语句中

  • -i 、-o 、-w 参数一定会出现
  • -m、-n 参数可能都不出现，可能只出现一个，也可能都出现
    • 未出现 -m 参数时，不启用词组词频统计功能，默认对单词进行词频统计
    • 未出现 -n 参数时，不启用自定义词频统计输出功能，默认输出10个
  • 参数之间的顺序并不固定
    • 一个完整例子如下：
WordCount.exe -i input.txt -m 3 -n 3 -w 1 -o output.txt
/*
 *统计input.txt文件中的字符数、单词数、有效行数、出现次数排在前3的3个单词长的词组，并采用权重累计频数，最终统计结果输出到output.txt
 */

例：输入文件中内容为：

0
Title: Monday Tuesday Wednesday Thursday
Abstract: Monday Tuesday Wednesday Thursday Friday

则输出如下：

characters: 74
words: 9
lines: 2
<monday tuesday wednesday>: 11
<tuesday wednesday thursday>: 11
<wednesday thursday friday>: 1

7. 附加题（20'）

本部分不参与自动化测试，如有完成，需在博客中详细描述，并在博客中附件（.exe及.txt）为证。附加功能的加入不能影响上述基础功能的测试，分数取决于创意和所展示的完成度，创意没有天花板，这里不提出任何限制，尽你们所能去完成。
要求：发挥个人的奇思妙想，对论文列表进行更多的挖掘并进行数据分析，为你们举几个栗子：

  • 从网站综合爬取论文的除题目、摘要外其他信息
    • 如：论文类型、作者、作者单位等等
  • 分析论文作者的所属地， 哪些国家、哪些高校发表的论文比较多
  • 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

三、博客撰写（模版/评分）

  • 在文章开头给出结对同学的博客链接、本作业博客的链接、你所Fork的同名仓库的Github项目地址【1'】
  • 给出具体分工【1'】
  • 给出PSP表格【1'】
  • 解题思路描述与设计实现说明【15'】
    • 爬虫使用【3'】
    • 代码组织与内部实现设计（类图）【6'】
    • 说明算法的关键与关键实现部分流程图【6'】
  • 附加题设计与展示【20'】
    • 设计的创意独到之处
    • 实现思路
    • 实现成果展示
  • 关键代码解释【2'】
    • 贴出你认为重要的/有价值的代码片段，并解释【2'】
  • 性能分析与改进【6'】
    • 描述你改进的思路【5'】
    • 展示性能分析图和程序中消耗最大的函数【1'】
  • 单元测试【5'】
    • 展示出项目部分单元测试代码，并说明测试的函数，构造测试数据的思路
  • 贴出Github的代码签入记录【1'】
    • 请合理记录commit信息
  • 遇到的代码模块异常或结对困难及解决方法【5'】
    • 问题描述
    • 做过哪些尝试
    • 是否解决
    • 有何收获
  • 评价你的队友【2'】
    • 值得学习的地方
    • 需要改进的地方
  • 学习进度条【1'】

四、测试须知（请认真阅读，不符规范的部分在总分基础上进行扣分）

组织目录

助教在测试时，将运行自动测试程序编译源文件并运行，进行批量测试，因此请保证项目的组织目录符合要求.

  • Java

对于使用Java语言的项目有以下两点要求：

  1. 【以两人学号为名的文件夹中】的目录下必须有src文件夹
  2. 在src目录下必须有名为Main.java文件，且Main.java中包含 public static void main(String[] args) 方法

一个Java项目的示例组织目录如下所示：

031602111&031602222 (文件夹名字为两人学号)
|- src
   |- Main.java(主程序，可以从命令行接收参数)
   |- lib.java(包含其它自定义函数，可以有多个，对名字不做要求)
   |- Main.class(编译生成的可运行程序)
   |- lib.class(编译生成的可运行程序)
|- cvpr
   |- result.txt(爬虫结果)
   |- Main.java(爬虫程序，可以爬取CVPR2018论文列表)

  • C++

对于使用C++ 语言的项目有以下两点要求：

  1. 【以两人学号为名的文件夹中】的目录下必须有src文件夹
  2. 在src文件夹中是可在VS2017下编译运行的解决方案，解决方案的名字必须为 WordCount

一个C++工程示例组织目录如下所示：

031602111&031602222 (文件夹名字为两人学号)
|- src
   |- WordCount.sln
   |- WordCount
       |- stdafx.cpp
       |- stdafx.h
       |- WordCount.cpp
       |- WordCount.vcxproj
|- cvpr
   |- result.txt(爬虫结果)
   |- Crawler.cpp(爬虫程序，可以爬取CVPR2018论文列表)

规范说明

  • 助教在测试时，将自动按照指定目录搜索cpp文件，使用指定编译环境编译源代码，并利用命令行进行批量测试，请务必遵照上述组织目录
  • 关于在Github的上传
    • 不要上传整个项目工程文件，很大
    • 不要上传单元测试工程文件，测试详情请在博客中写明
    • 不要把作业上传在结对文件夹以外的地方，可能导致冲突
  • 助教会在作业结束后统一处理 pr
  • 本次测试数据将采用CVPR2018会议论文的实际数据
    • 一共10个测试用例，每个用例限时60s
    • 每通过一个用例得分+20，其中字符统计正确+1，单词统计正确+1，有效行统计正确+1，词频统计正确+15，单个用例执行时间在10s内+2（可能适应总体情况调整）
  • 这次的用例较大，请保证你们的程序不会崩溃，可使用爬虫的结果检验程序性能
  • 最后，自动测试得分占本次作业的40%

五、附录

1. Fork项目并创建文件夹

  • 打开链接，点击Fork按钮，将仓库 personal-project 拷贝到自己的同名仓库中，如下图所示：
  • 拷贝成功后，可以看到自己已经拥有了一个同名仓库
  • 在对应语言下创建以学号为名的文件夹，确保所有本地的改动都已 push 后，可以在自己的仓库中向源仓库（personal-project）发起Pull Request：
  • 点击Create pull request，提交请求，此后只需等待仓库主人通过审核后，你的代码就可以成功合并进源仓库（personal-project）
  • 如在发起 pull request 后代码发生新的变化，可重复发起 pull request ，助教将合并最新的修改到源仓库

2.PSP表格

PSP是卡耐基梅隆大学（CMU）的专家们针对软件工程师所提出的一套模型：Personal Software Process (PSP， 个人开发流程，或称个体软件过程)。

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
Development 开发
· Analysis · 需求分析 (包括学习新技术)
· Design Spec · 生成设计文档
· Design Review · 设计复审
· Coding Standard · 代码规范 (为目前的开发制定合适的规范)
· Design · 具体设计
· Coding · 具体编码
· Code Review · 代码复审
· Test · 测试（自我测试，修改代码，提交修改）
Reporting 报告
· Test Repor · 测试报告
· Size Measurement · 计算工作量
· Postmortem & Process Improvement Plan · 事后总结, 并提出过程改进计划 
|       | 	合计  | |

在动手开发之前，要先估计将在程序各模块开发所需耗费的时间，以及完成整个项目所需的时间，将这个[估计值]记录下来，写成PSP 的形式。
PSP的目的是：记录工程师如何实现需求的效率，和我们使用项目管理工具（例如微软的Project Professional，或者禅道等）进行项目进度规划类似。
有关PSP的更多内容，请自行阅读邹欣老师的博客：现代软件工程讲义 2 工程师的能力评估和发展

3.Github

请阅读邹欣老师的博客：源代码管理，了解源代码管理的10个实践问题。
本次作业要求使用Github进行源代码管理，代码有进展即签入Github。签入记录不合理的项目会被助教抽查询问项目细节。
对代码签入的具体要求如下：根据需求划分功能后，每做完一个功能，编译成功后，应至少commit一次。本例中，至少应区分基本功能和扩展功能，即分别针对基本功能、扩展功能，编译成功后，总共至少应commit两次。具体的功能划分，请自行定义，并在撰写博客时体现出来，遵循自己对需求的功能划分来提交代码即可。
对Commit不是很熟悉的话，请阅读阮一峰的博客：Commit message 和 Change log 编写指南，了解更多细节。

4.单元测试

请根据自己以往积累的测试经验，在编码完成之后，提交产品之前，设计测试用例，并编写单元测试，对自己的项目进行测试。
首先，至少应采用白盒测试用例设计方法来设计测试用例，其他测试方法不限。其次，要设计至少10个测试用例，确保你的程序能够正确处理各种情况。最后，结合测试评估的要求，对自己的测试设计进行评价，这些测试用例能满足该程序测试的要求吗？
另一个重要的措施是要把单元测试自动化，这样每个人都能很容易地运行它，并且可以使单元测试每天都运行。每个人都可以随时在自己的机器上运行。团队一般是在每日构建中运行单元测试的，这样每个单元测试的错误就能及时被发现并得到修改。
推荐阅读邹欣老师的博客：现代软件工程讲义 2 开发技术 - 单元测试 & 回归测试

posted @ 2018-09-22 17:46  雨勤未晴丶  Views(307)  Comments(0)  Edit  收藏  举报