本作业博客链接[https://edu.cnblogs.com/campus/fzu/Grade2016SE/homework/2138]
队友博客链接[http://www.cnblogs.com/caiwb/p/9767674.html]
github链接[https://github.com/Fleurrr/pair-project/tree/master/Cplusplus]
1.具体的分工
蔡文斌：完成爬取论文信息和附加题部分（尽量）
所使用的语言：C++,python预计完成时间：9.30号之前
黄泽：完成词频统计和单元测试
所使用的语言：C++预计完成的时间：10.7号之前
剩余时间两人合力完成博客以及对代码的测试和完善
2.【PSP】
| PSP2.1 | Personal Software Process Stages | 预估耗时（分钟） | 实际耗时（分钟） |
| Planning | 计划 | 90 | 120 |
| •Estimate | •估计这个任务需要多少时间 | 500 | 730 |
| Development | 开发 | 40 | 30 |
| •Analysis | •需求分析 (包括学习新技术) | 150 | 200 |
| •Design Spec | •生成设计文档 | 30 | 20 |
| •Design Review | •设计复审 | 20 | 15 |
| •Coding Standard | •代码规范(为目前的开发制定合适的规范) | 10 | 20 |
| •Design | •具体设计 | 10 | 20 |
| •Coding | •具体编码 | 150 | 300 |
| •Code Review | •代码复审 | 30 | 30 |
| •Test | •测试（自我测试，修改代码，提交修改） | 20 | 20 |
| Reporting | 报告 | 30 | 20 |
| •Test Repor | •测试报告 | 20 | 15 |
| •Size Measurement | •计算工作量 | 40 | 20 |
| •Postmortem & Process Improvement Plan | •事后总结, 并提出过程改进计划 | 30 | 20 |
| 合计 | 580 | 730 |
3. 解题思路描述与设计实现说明
3.1爬虫使用部分
方法一：使用python语言。
使用python语言来写爬虫的话，首先想到的可能都是分析网站的HTML代码，然后根据正则表达式去匹配相应的标签进行爬取。但是正则表达式的话使用起来不方便，需要记忆多条规则，用起来不是很熟练，刚开始用python写的时候就是用这种方法，吃了不少苦头。后来发现python中的beautifulsoup是一个强大的爬虫利器，所以就该用beautifulsoup来写这个爬虫。
这里附上一个关于beautifulsoup详细介绍的博客网址https://www.cnblogs.com/zhaof/p/6930955.html方法二：使用c++语言
在用python爬完之后，想到用听说用java或者c++写有加分，谁不会心动啊是不是，于是抱着尝试一把的心态用c++写了一下。用c++写的话主要就是利用socket模块，主要的思路如下：
1.先把连接服务器的结构搭建好（作为客户端）
2.向服务器发送获取资源命令
3.接收数据并过滤不需要的信息
4.写入指定文件
3.2代码组织与内部实现设计（类图）
3.2.1类图：
3.2.2详细说明：
- 单词/词组结构体cube,包含属性：单词/词组内容，长度，词频
struct cube{char wordtype[1000],int lenth,int frequency=0}- tools类 用于存储读入的字符串，以及各类函数
class tools{
public:tools(string liner){line = liner;}
int wordcounter(int &kind,cube type[],int &weight,int &group);
int linecounter();
int charcounter();
void wordprinter(int &kind,cube type[],int print[],int pront[],int &number);
private:
string line;
};- tools:: wordcounter(int &kind,cube type[],int &weight,int &group)
单词统计器，并将词频和单词/词组内容赋给cube单词/词组结构体 - tools::linecounter( ) 行数统计器，返回行数值
- tools::charcounter( ) 字符统计器，返回字符值
- tools::wordprinter(int &kind,cube type[],int print[],int pront[],int &number) 单词/词组输出器
- int main(int argc, char*argv[]) main函数，用于实现控制台自定义输入输出，以及文本读入输出
3.3说明算法的关键与关键实现部分流程图
这次作业相较于上一次个人项目二，需要我们新增控制台输入输出功能、权重选择功能、控制单词\词组输出个数功能、词组功能。前三项功能实现较为简单，这里展示本次代码的关键部分——单词判断与词组判断的流程图。
4.附加题设计与展示
- （1）爬取论文的作者，思路跟爬取论文摘要一样，也是利用beautifulsoup进行爬取。附上代码
import requests
from urllib.request import urlopen
from bs4 import BeautifulSoup
txt = open (r'D:/result_1.txt','w',encoding = 'utf-8')
#i = 0
def getPaper (newsUrl):
global ws
res = requests.get(newsUrl)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text,'html.parser')
Authors = soup.select('i')[0].text.strip()
print(Authors,file = txt)
return
sUrl = 'http://openaccess.thecvf.com/CVPR2018.py'
resl = requests.get(sUrl)
resl.encoding = 'utf-8'
soupl = BeautifulSoup(resl.text,'html.parser')
for titles in soupl.select('.ptitle'):
t = 'http://openaccess.thecvf.com/' + titles.select('a')[0]['href']
#print(i,file = txt)
getPaper(t)
#i = i + 1成果展示
- （2）用python写词云，我是随便截取了一段摘要作为文档来形成词云，利用python的Wordcloud和jieba这两个功能进行指定文档生成以指定图片为背景形状的词云。附上代码。
from os import path
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
import jieba
from wordcloud import WordCloud, STOPWORDS,ImageColorGenerator
###当前文件路径
d = path.dirname(__file__)
file = open(path.join(d, "D:/test.txt")).read()
##进行分词
#刚开始是分完词放进txt再打开却总是显示不出中文很奇怪
default_mode =jieba.cut(file)
text = " ".join(default_mode)
# 图片
alice_mask = np.array(Image.open(path.join(d, "D:/qq.jpg")))
stopwords = set(STOPWORDS)
stopwords.add("said")
fontname = path.join(d, 'C:/Windows/Fonts/SimSun-ExtB.ttf')
wc = WordCloud(
#设置字体，不指定就会出现乱码,这个字体文件需要下载
#font_path = fontname,
background_color="white",
max_words=2000,
mask=alice_mask,
stopwords=stopwords)
wc.generate(text)
image_colors = ImageColorGenerator(alice_mask)
# store to file
wc.to_file(path.join(d, "D:/qq_result.jpg"))
# show
plt.imshow(wc, interpolation='bilinear')
plt.axis("off")
plt.figure()成果展示
- （3） 对数据进行简单的可视化处理，形成作者的人物关系图。
这时候就要强烈安利一下python的pyecharts模块了，这是一个基于python的数据可视化工具，可以绘制很多种可视化图像。
分享一篇关于pyecharts文章：https://wenku.baidu.com/view/efb3dfbe29ea81c758f5f61fb7360b4c2e3f2af3.html
附上代码：https://pan.baidu.com/s/1zrHBitAmA-0MWI_3vLG8tw
成果展示：
5.关键代码解释
5.1爬虫部分的关键代码（只解释C++的做法）
void GetHttpRespons(char * &response, string source)
{
//使用GET请求,得到相应
string host, resource;
host = "openaccess.thecvf.com";
resource = source;
struct hostent * hp = gethostbyname(host.c_str());
if (hp == NULL)
{
cout << "can not find host address"<h_addr, 4);
//建立连接
if (0 != connect(sock, (SOCKADDR*)&sa, sizeof(sa))) {
cout << "can not connet" << endl;
closesocket(sock);
exit(0);
}
//connect(sock, (SOCKADDR*)&sa, sizeof(sa));
//准备发送数据
string request = "GET " + resource + " HTTP/1.1\r\nHost:" + host + "\r\nConnection:Close\r\n\r\n";
//发送数据
send(sock, request.c_str(), request.size(), 0);
if (SOCKET_ERROR == send(sock, request.c_str(), request.size(), 0)) {
cout << "send error" << endl;
closesocket(sock);
exit(0);
}
//接收数据
int m_nContentLength = DEFAULT_PAGE_BUF_SIZE;
int bytesRead = 0;
int ret = 1;
char *pageBuf = (char *)malloc(m_nContentLength);
memset(pageBuf, 0, m_nContentLength);
//分配内存
while (ret > 0)
{
ret = recv(sock, pageBuf + bytesRead, m_nContentLength - bytesRead, 0);
if (ret > 0)
{
bytesRead += ret;
}
if (m_nContentLength - bytesRead < 100)
{
m_nContentLength *= 2;
pageBuf = (char*)realloc(pageBuf, m_nContentLength);
}
}
pageBuf[bytesRead] = '\0';
response = pageBuf;
closesocket(sock);
} 该函数是用来与服务器进行连接的，主要用到的是c++的socket模块。
（1）创建套接字socket（）
（2）用gethostbyname（）函数解析主机名
（3）用connect（）函数进行与服务器进行连接
（4）用send（）函数发送数据
（5）最后接收数据，关闭套接字closesocket()
5.2词频统计部分(只对部分关键代码进行说明)
1.实现控制台输入输出部分
for (i = 1; i < argc; i++)//用于控制台输入
{
if (strcmp(argv[i], "-i") == 0)
{
i++;
fileinname = argv[i];
}//自定义输入，-i后接输入文本名，文本名赋给fileinname
if (strcmp(argv[i], "-m") == 0)
{
i++;
group = argv[i][0] - 48;//字符类型转数字类型
}//-m后接自定义词组长
if (strcmp(argv[i], "-n") == 0)
{
i++;
number = 0;
int sum;
for (q = 0; q < strlen(argv[i]); q++)
{
sum = argv[i][q] - 48;
for (p = 1; p <= strlen(argv[i]) - q - 1; p++)
{
sum = sum * 10;
}
number = number + sum;
}
} //自定义输出单词数
if (strcmp(argv[i], "-w") == 0)
{
i++;
if (argv[i][0] - 48 == 1)
{
weight = 1;
}
if (argv[i][0] - 48 == 0)
{
weight = 0;
}
}//权重定义
if (strcmp(argv[i], "-o") == 0)
{
i++;
fileoutname = argv[i];
;
}//自定义输出，-o后接输出文本名 ，赋值给fileoutname
}2.实现单词词组权值判别存储功能（示例为title行内）
if (lines % 5 == 2)//识别为title行内
{
if (weight == 1)
{
add = 10;
}//在title行内，如果设置权重即weight=1，则自增值改为10
line[line.size()] = ' ';//因为判定单词方式的关系，增加一个空格至该行最后
for (i = 7; i <= line.size(); i++)//跳过“title： ” 从下标7开始
{
ptr = 0;
if (line[i] >= 'A'&&line[i] <= 'Z')
{
line[i] = line[i] + 32;//大写转小写
}
if (line[i] >= 'a'&&line[i] <= 'z'&&flag <= 3)
{
testword[flagalter + flag] = line[i];
flag++;
ptr = 1;//如果在前四个字符中未出现非字符，将字符存入当前待定词组testword中
}
if ((line[i]<'a' || line[i]>'z') && flag <= 3)
{
flag = 0;
flagalter = 0;
tra = 0;//如果在前四个字符中出现非字符，所有标志位置为零
}
if (flag >= 4 && (line[i] >= '0'&&line[i] <= '9' || line[i] >= 'a'&&line[i] <= 'z') && ptr == 0)
{
testword[flagalter + flag] = line[i];//如果前四个字符已经是字母，后续只要不是分隔符都录入testword
flag++;
}
if (flag >= 4 && (line[i]<'0' || line[i]>'9'&&line[i]<'a' || line[i]>'z') && ptr == 0)//前四个字符已经是字母，后续出现分隔符 ，判定为单词
{
words++; //单词数自增
tra++;
if (tra == 1 && tra != group)
{
replace = i;//用于后期下标重新置位
words=words-group+1;
}
if (tra < group)//已经判断有tra个单词组成词组，如果 tra小于要求的词组单词数，将分隔符录入，各标志位更改，准备录入下一个单词
{
testword[flagalter + flag] = line[i];
flag++;
flagalter = flag + flagalter;
flag = 0;
}
if (tra == group)//如果词组单词数已经满足，与之前已有比较词组是否已经存在该词组
{
flag = flagalter + flag;
for (p = 1; p <= kind; p++)
{
for (j = 0; j < flag; j++)
{
if (testword[j] != type[p].wordtype[j])
{
p++;
j = 0;
break;
}
if (j == flag - 1)//若为已有词组，该词组结构体中的词频增加
{
type[p].frequency = type[p].frequency + add;
p = kind;
temp = 1;
break;
}
}
}
if (temp == 0)//若为新词组，进行添加
{
kind++;
for (k = 0; k < flag; k++)
{
type[kind].wordtype[k] = testword[k];
}
type[kind].lenth = flag;
type[kind].frequency = type[kind].frequency + add;
}
if (group != 1)//下标重新置位
{
i = replace;
}
tra = 0;
flag = 0;
temp = 0;
flagalter = 0;
}
}
}
}6.性能分析与改进
测试样本使用的是我们用爬虫工具爬取下来的论文，选用词组长为3，权重值为1，输出个数为10，输出至result.txt进行测试，命令行输入及测试结果如下图所示
性能分析图如下：
我在本来消耗时间的"判断是否为已有单词"的部分之前加了一个判断，可以使时间缩短
for (p = 1; p <= kind; p++)
{
if (flag != type[p].lenth)
{
continue;
}
for (j = 0; j < flag; j++)
{
if (testword[j] != type[p].wordtype[j])
{
p++;
j = 0;
break;
}
if (j == flag - 1)
{
type[p].frequency = type[p].frequency + add;
p = kind;
temp = 1;
break;
}
}
}更换了优先度最大词组判断方式，时间复杂度为m*o(n),m为需要输出的个数
for (j = 1; j <= kind; j++)
{
if (type[j].frequency == max)
{
for (k = 0; k < min(type[j].lenth, len); k++)
{
if (type[j].wordtype[k] < type[tra].wordtype[k])
{
tra = j;
len = type[j].lenth;
break;
}
if (type[j].wordtype[k] > type[tra].wordtype[k])
{
break;
}
if (k == min(type[j].lenth, len) - 1)
{
if (type[j].lenth < len)
{
tra = j;
len = type[j].lenth;
}
}
}
}
if (type[j].frequency > max)
{
max = type[j].frequency;
tra = j;
}
}
print[i] = type[tra].frequency;
pront[i] = tra;
type[tra].frequency = 0;
len = 100000;
max = 0;其余的暂时没有想到更好的办法
7.单元测试（这里只展示部分有代表性的输出文件）
- 打开错误的文件
- 当文件为空时
- Abstract或Title为空
- 缺少-i指令
三者皆会输出如图所示的空文本 - 缺少-m指令
m有默认值为1，因此输出词组为1的结果 - 输入两个-i指令
输出后面那个-i 所指向的地址 - 输入-i，-o，-w，-m，-n五个指令时
- 同一行内词组的长度均比-m的参数小
- 当-w的参数为2时
会避开错误，w采用默认值0，因此为权重0输出的值 传入同一个正确的文件，改变-n的参数
正常输出8.贴出Github的代码签入记录
9.遇到的代码模块异常或结对困难及解决方法
（1）在写爬虫的时候，刚开始是往用正则表达式去考虑的，但是后来发现正则表达式难以理解，至少我感觉我到现在还没有弄清楚，所以导致在这个地方卡了好久，后来改用beautifulsoup模块来写，代码简洁，也比较好理解。
（2）在写词频统计功能模块的时候，由于题目的要求比较多，刚开始的时候考虑不周全，回过头来再思考的时候又会发现新的问题，又得改代码，浪费了很多时间，这也是一个教训，下次应该两人一起审题，先商量讨论好了再敲代码。
还有就是因为这次的代码比较繁琐，在自己的写法中设计的标志位相当多，在写代码的时候遇到了忘记了这些标志位作用的情况，下次要记得给标志位取一些简单易懂的名字，防止自己忘记。
10. 评价你的队友
蔡文斌对黄泽的评价：
- 对待任务近乎痴迷的程度，看到他这么刚，可以想象到他以后秃头的样子。认真负责的态度还是很感染人的，有时候自己做得感觉很烦的时候，大都是被他所带动的，不会的东西乐于去研究，会执着于一个bug老半天，所以这个对友，我只能给满分了，多一分怕他骄傲。至于改进的地方可能更多的出现在我自己身上，这次的作业我只专注于完成自己的部分，对小泽泽的那一part没有太多深入的了解，导致他有时候跟我讨论他所遇到的问题的时候，我不能够给出有效的建议，这是我觉得对不起他的地方。但是我会争取改进的。也希望我的对友不要嫌弃我，继续带我飞。
黄泽对蔡文斌的评价：
- 这次结对作业我负责代码的完善然后蔡文斌负责爬虫的制作。最开始在了解题目的时候我有尝试过自己写一个爬虫，我记得是成功爬取了新浪某个博客的内容，但是爬取cvpr官网的内容失败了，因此成功将锅甩给了蔡文斌。但是到最后几天交流分享的时候，我被他的成果惊艳到了，从对爬虫一无所知到熟练掌握爬虫并深入优化，蔡文斌只用了短短一个多星期的时间，我被他的强大的学习能力深深的震撼了，这点是我所不具备的。如果说硬要找出些什么值得改进的地方的话，就是希望他不要在假期时间在家里躺尸颓废吧（因为他国庆回去了三天好像啥也没干）。
11.学习进度条
- 蔡文斌
| 第N周 | 本周学习消耗时（小时） | 累计学习消耗时（小时） | 重要成长 |
| 5,6 | 20 | 28 | 学习python语言，可以简单的爬取网页的一些东西，对HTML语言也有了一丢丢的了解，可以对数据进行简单的一些可视化处理 |
- 黄泽
| 第N周 | 本周学习消耗时（小时） | 累计学习消耗时（小时） | 重要成长 |
| 5,6 | 24 | 32 | 在个人项目的基础上进行拓展，对于字符串的处理更加熟练，对文本的输入输出流掌握的更加牢固 |
12.心得体会
这次做作业的过程中，更多遇到的是技术上的难题，更加意识到自己能力的不足，自己所欠缺的东西还有好多。完成同样一件事，所要花费的时间却要比别人多。还有就是要调整好自己的心态，因为这次我们两个都差点被代码搞疯了，调整好心态还是很重要的，我们两个也会互相鼓劲，毕竟是绑在一起的人了。这次相比之前，两个人之间的分工更加的明确，这也考验两人之间的配合。两个人之间的交流显得更加重要。