结对第2次作业——WordCount进阶需求

博客链接

081600107 傅滨： 博客地址：http://www.cnblogs.com/fblogy/p/9766315.html
031602248 郑智文：博客地址：https://www.cnblogs.com/Zzwena/p/9768881.html

Github地址

https://github.com/fblogy/PairProject-C

具体分工

主要由我实现了爬虫部分，队友实现了WordCount代码部分

PSP表格

解题思路描述与设计实现

• 爬虫使用
  用pycharm爬取网站的论文列表。
  先在CVPR2018官网上找到论文列表检查元素，发现每篇论文都有一个超链接
  例如：content_cvpr_2018/html/Misra_Learning_by_Asking_CVPR_2018_paper.html
  点开论文后，可以看到网址：http://openaccess.thecvf.com/content_cvpr_2018/html/Misra_Learning_by_Asking_CVPR_2018_paper.html
  只是在前面加了：http://openaccess.thecvf.com/
  所以我们只需要爬去每篇论文的超链接再加上头部分就是每篇论文的网址。
  打开每篇论文的链接，在每篇论文中右键标题和摘要，发现都有一个div id
  标题：papertitle
  
  摘要：abstract
  
  中间部分就是相应的内容，我们爬去到txt文件中就行了。

代码实现

#获取论文列表的超链接
resp=urllib.request.urlopen(url)
    html=resp.read()
    html=html.decode()
    links=re.findall(r‘content_cvpr_2018/html/.*.html‘,html)  #所有论文网址尾部分

 # 依次打开每篇论文的网址
    for a in links:   
        resp = urllib.request.urlopen(head+a)      #论文网址
        html = resp.read()
        html = html.decode()
        #获取title
        t1 = re.search(r‘\"papertitle\">‘,html)
        t1 = html[t1.end()+1:]
        t2 = re.search(r‘</div>‘,t1)
        title = t1[:t2.start()]
        print(i, file=data)
        print("Title: ", title, file=data)
        #获取abstract
        a1 = re.search(r‘\"abstract\"‘, html)
        a1 = html[a1.end()+3:]
        a2 = re.search(r‘</div>‘, a1)
        abstract = a1[:a2.start()]
        print("Abstract: ", abstract,end="\n\n\n",file=data)
        i=i+1
    data.close()

• 代码组织与内部实现设计（类图）

• 算法的关键与关键实现部分流程图

关键代码解释

int solve(int l, int r, int w, int m) {
    string s;  int ch, now = 0, n1 = 0, cnt = 0;
    string t;
    rep(i, l, r) {
        ch = a[i];
        if (ch >= ‘A‘ && ch <= ‘Z‘) ch -= ‘A‘ - ‘a‘; //大写字母转小写
        if (now == -2) { if (!checkword(ch) && !checknumber(ch)) now = 0; continue; }
        // now == -2 表示现在处于非法单词中，只有遇到分隔符才能重新统计新一段单词，不然还是处于非法单词
        if (checkword(ch)) { // 遇到字母自动机转移
            now++; s += ch;
            if (now == 1) fg[n1] = t, t = "";
            continue; 
        }
        if (checknumber(ch)) { // 遇到数字自动机转移
            if (now >= 4) now++, s += ch;
            else now = -2, s = "", t = "", ADD(n1, word, fg, w, m, cnt);
            continue;
        } // 遇到分隔符自动机转移
        if (now >= 4) word[++n1] = s;
        else if (now != 0) ADD(n1, word, fg, w, m, cnt); // 对一段合法单词去统计词组
        t += ch;s = ""; now = 0;
    }
    if (now >= 4) {
        word[++n1] = s, s = "";
        ADD(n1, word, fg, w, m, cnt);
    }
    return cnt;
}

这部分代码是在处理出一行是属于Title还是Abstract后去统计词组，由于一个词组中不能有不合法单词，相当于不合法的单词把一些合法的单词隔成了一段一段，我就是先把一段连续合法单词保存下来，再把这一段中的词组添加到unordered_map中。

性能分析与改进

可以看出，时间消耗主要是在CountWord和CountFrequentWord部分，且主要是在其中调用unordered_map使字符串和数量映射在一起。

改进思路

其实CountWord部分不需要映射，因为只需要知道总单词数量即可，但我为了代码复用，可以把单词看成是长度为1的词组，所以一起用了unordered_map,如果性能要求很高的话可以在这进行改进。
对于映射的数据结构我觉得unordered_map效率已经比较高了，比map会快很多，而且代码难度比较低，我尝试用过字典树，但是由于这次是词组，所以长度会比较长，而且中间会出现非数字字母的分隔符，所以效率不高，总体来讲映射的数据结构这部分我觉得不需要改进了。

单元测试

        TEST_METHOD(TestMethod2)
        {
            char name[100];
            strcpy_s(name, "../UnitTest1/test/test2.txt");      // 测试统计字符数
            int count_chars = CountChar(name);
            Assert::AreEqual(count_chars, 74);
        }
        TEST_METHOD(TestMethod4)                                // 测试统计单词数
        {
            char name[100];
            strcpy_s(name, "../UnitTest1/test/test2.txt");
            pii count_words = CountWord(name);
            Assert::AreEqual(count_words.fi, 9);
        }
        TEST_METHOD(TestMethod6)                                // 测试统计有效行数函数
        {
            char name[100];
            strcpy_s(name, "../UnitTest1/test/test2.txt");
            pii count_words = CountWord(name);
            Assert::AreEqual(count_words.se, 2);
        }
        
        // 9 和 10 用来测试数据较大时的效率和不同参数时词组频率统计
        TEST_METHOD(TestMethod9)
        {
            char name[100];
            strcpy_s(name, "../UnitTest1/test/test3.txt");

            int count_chars = CountChar(name);
            pii tmp = CountWord(name);
            int count_words = tmp.fi;
            int count_lines = tmp.se;
            vector<pair<string, int> > word_rank = CountFrequentWord(name, 10, 3);
            Assert::AreEqual(count_words, 117998);
            Assert::AreEqual(count_chars, 1196799);
            Assert::AreEqual(count_lines, 1958);
            Assert::AreEqual(word_rank[0].fi, string("convolutional neural networks"));
            Assert::AreEqual(word_rank[0].se, 196);
            Assert::AreEqual(word_rank[1].fi, string("generative adversarial networks"));
            Assert::AreEqual(word_rank[1].se, 177);
            Assert::AreEqual(word_rank[2].fi, string("convolutional neural network"));
            Assert::AreEqual(word_rank[2].se, 159);
        }
        TEST_METHOD(TestMethod10)
        {
            char name[100];
            strcpy_s(name, "../UnitTest1/test/test3.txt");

            int count_chars = CountChar(name);
            pii tmp = CountWord(name);
            int count_words = tmp.fi;
            int count_lines = tmp.se;
            vector<pair<string, int> > word_rank = CountFrequentWord(name, 10, 10);
            Assert::AreEqual(count_words, 117998);
            Assert::AreEqual(count_chars, 1196799);
            Assert::AreEqual(count_lines, 1958);
            Assert::AreEqual(word_rank[0].fi, string("partially shared multi-task convolutional neural network with local constraint"));
            Assert::AreEqual(word_rank[0].se, 11);
            Assert::AreEqual(word_rank[1].fi, string("beyond holistic object recognition: enriching image understanding with part states"));
            Assert::AreEqual(word_rank[1].se, 10);
            Assert::AreEqual(word_rank[2].fi, string("blazingly fast video object segmentation with pixel-wise metric learning"));
            Assert::AreEqual(word_rank[2].se, 10);
        }

我构造的单元测试1-8每两个测试一个功能：统计字符，统计单词，统计有效行数，统计词组频率，最后9和10用来测试总的爬下来的数据，同时测试效率和不同指令的功能。

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

爬虫部分：
1、`UnicodeEncodeError: ‘gbk‘ codec can‘t encode character ‘\xbb‘ in position 0: illegal multibyte sequence
解决方法：参考https://www.jb51.net/article/64816.html
data=open("D:\data.txt", ‘w+‘,encoding=‘utf-8‘) #打开输出文件并改为标准输出编码
2、<urlopen error [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。>
解决方法：参考https://www.cnblogs.com/lliuye/p/8406267.html
没采取措施，在第二次爬取数据时没有出现此问题，顺利完成。

队友：wordcount部分

• 问题描述
  一开始的时候我打算用字典树去存储得到的字符串，但是再指令m比较大的时候，每个词组会比较长，导致效率比较低，而且有时还会runtime error，应该是数组访问越界。

• 解决方案
  我把所有字符输出来看后发现有些不在ASCII码的范围内，比如é这种，然后我就把它先过滤掉了，之后我尝试了一下改用unordered_map，发现效率比较高，我就马上改了，感觉之前用字典树在这种情况下完全不如unordered_map。

• 体会
  让我对数据结构的选取更加有经验了，而且知道了要更细致地考虑输入数据，可能会有一些不合法的输入要过滤掉，使程序的鲁棒性更好。

评价队友

评价傅滨：
队友很强，行动力很强，分工明确，完成的快！

学习进度条

结对第2次作业——WordCount进阶需求

原文：https://www.cnblogs.com/Zzwena/p/9768881.html