软工第五次作业-结对作业2

Github地址：https://github.com/qwe8/pair-project
队友博客：

分工

林志华： 完成爬虫及将第一次作业C++代码转化为JAVA代码
王焕仁： 使用JAVA实现其余功能

PSP表格

解题思路与设计

这次作业我们选择用JAVA来写，是经过深思熟虑的。其一是觉得用C++来写爬虫的话，对我们来说都没有接触过，而且听说很麻烦的。其二是觉得需要学习一下JAVA的用法，毕竟是现在最火的语言。其三，是我其实大一下学期有自学过JAVA，但长时间没用变得很生疏，现在重新拾起来感觉也不错。由上三点我们选择了JAVA来解题。

• 爬虫使用

  这次的爬虫我们并没有使用爬虫工具，而是我们自己写的。
  具体如下：
  我使用jsoup用来解析网页的HTML。一开始是利用jsoup的connect函数来获取网站的html存放到Document对象中，后来我发现用这个方法爬取到的论文数量只有501篇，后面的所有论文全都消失了，十分奇怪，我debug了很长一段时间，都没发现自己的问题，后来我查阅了一下资料，发现jsoup爬取的html其实是静态的，比如说有些网站一开始是只加载一部分内容的，等一段时间或则你把滚动条往下拉它才会加载下面的内容，很不幸，要求爬取的论文网站就是这样子的，所以如果只使用jsoup来爬取的话肯定会出现只爬取到501篇论文这样的问题。
  对于这样的问题，我的解决方法是用httpclient来动态爬取论文网站的html，然后再使用jsoup来解析html。如何使用httpclient爬网站的html这里我就不详细讲了，毕竟都烂大街了。我详细讲一下如何使用jsoup。
  首先我们用浏览器打开CVPR2018官网，然后找到论文标题所在的位置，右键复制标题的CSS选择器，复制之后随便找个地方黏贴一下，dt.ptitle:nth-child(1) > a:nth-child(2)。

从单单这个标题我们还看不出什么东西，我们再复制一下下一篇论文的CSS选择器：dt.ptitle:nth-child(4) > a:nth-child(2)，可以发现第一个选择参数的括号里的值增加了三，那么再多复制几个，即可发现所有标题的选择器是dt.ptitle:nth-child(1+3n) > a:nth-child(2)。所以我们即可利用下面的代码来爬取所有标题：

                   Elements test=document.select("dt.ptitle:nth-child(1)").select("a:nth-child(2)");
           String str=test.text();//返回的是标题
           String url2=test.attr("href"); // 爬取

爬取到标题后，可以用爬取标题的超链接，然后爬取这个超链接指向的网站，使用上述的方法继续爬取即可。

       String url2=test.attr("href");//爬取标题的 href 值
           Document document2 = Jsoup.connect("http://openaccess.thecvf.com/"+ url2).userAgent("Mozilla/4.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)").timeout(50000).get();//下个网页可以直接使用jsoup来爬取html。

• 代码组织与内部实现设计

我们把所有的功能都封装成一个类，结构图如下：

类中具体函数如下：

public class WordCount {
    private static List<HashMap.Entry<String, Integer>> words = null;  //存放单词
    private static List<HashMap.Entry<String, Integer>> phrases = null; //存放词组
    public WordCount(File fileIn); // 类构造函数
    public int getcharnum();  // 获取字符数
    public int getlinenum();   // 获取行数
    public int getwordnum(); // 获取单词数
    public int getphrasenum(int gs); //获取词组数
}

• 说明算法的关键与关键实现部分流程图

关键代码解释

爬虫部分：

   public static void main(String []args)throws IOException{
       String URL="http://openaccess.thecvf.com/CVPR2018.py";
       String content= getHtmlByUrl(URL); //使用httpclient 爬取网页html
       Document document = Jsoup.parse(content); //使用Jsoup来解析html
       String num,left="dt.ptitle:nth-child(",right="a:nth-child(2)"; //设定CSS选择器
       int t=1,nb=0; //t为left的参数
       File f=new File("result.txt");
       PrintWriter pw=new PrintWriter( new FileWriter(f,true) );
       while(t<=2935){
           num=t+"";
           Elements test=document.select(left+num+")" ).select(right);//利用CSS选择器来抓取标题那部分的html
           String str=test.text();// 获取标题
           String url2=test.attr("href"); //获取标题的超链接
           //根据超链接利用jsoup爬取下个网页的html
           Document document2 = Jsoup.connect("http://openaccess.thecvf.com/"+ url2).userAgent("Mozilla/4.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)").timeout(50000).get();
           Elements test2=document2.select("#abstract"); // 选择abstract部分
           String str2=test2.text();
           System.out.println("输出到第"+nb+"个");
           pw.write(""+nb);pw.write("\r\n");
           pw.write("Title: "+ str);pw.write("\r\n");
           pw.write("Abstract: "+str2);pw.write("\r\n\r\n\r\n");
           t+=3;nb++;
       }
       pw.close();
       System.out.println("爬取完成");
   }

性能分析与改进

性能分析图如下：

通过性能分析我发现HashMap这个容器使用耗时非常多，后来发现当用户需要经行词组统计时，程序还是会进行单词统计的一些步骤，就是把单词给丢到HashMap中，可实际上这是不需要的。所以我们在类中设置一个boolean参数来表示是要经行单词统计还是要经行词组统计，不统计的那部分就不需要再使用HashMap，理论上这可将时间优化将近一倍。

单元测试

十个单元测试如下：

• 1.测试字符数是否正确（去除title，abstrac等等）
• 2.测试行数是否正确
• 3.测试不带权值的单词词频是否正确
• 4.测试带权值的单词词频是否正确
• 5.测试不带权值的词组词频是否正确
• 6.测试带权值的词组词频是否正确
• 7.测试-n限制下输出是否正确
• 8.测试-m限制下输出是否正确
• 9.测试输入文件为空时是否正确
• 10.测试输出文件未给是否正确

测试结果如下：

以下给出三个测试代码：

@Test
public void test4(){// 测试  不出现-m 的  -w 1 
        File file = new File("4.txt");
        WordCount count = new WordCount(file);//实例话WordCount类
        count.set_quan(true);
        int wordnum = count.getwordnum();//读取单词数
        int linenum = count.getlinenum();//获取有效行数
        assertEquals(wordnum, 29);
        assertEquals(linenum, 3);
        List<HashMap.Entry<String, Integer>> m = count.getWords();
        int aa=m.get(0).getValue();
        String bb=m.get(0).getKey();
        assertEquals( aa , 51);
        assertEquals(bb, "embodied");
}

@Test
public void test6(){ // 测试 出现-m 的 -w 1
        File file = new File("6.txt");
        WordCount count = new WordCount(file);//实例话WordCount类
        count.set_quan(true);
        int wordnum = count.getwordnum();//读取单词数
        int linenum = count.getlinenum();//获取有效行数
        int phrasenum = count.getphrasenum(3);//获取有效词组数
        assertEquals(wordnum, 29);
        assertEquals(linenum, 3);
        List<HashMap.Entry<String, Integer>> m = count.getPharses();
        int aa=m.get(0).getValue();
        String bb=m.get(0).getKey();
        assertEquals( aa , 20);
        assertEquals(bb, "embodied embodied embodied");
}

@Test
public void test8(){ // 测试 -m 参数 接收
    File file = new File("8.txt");
        WordCount count = new WordCount(file);//实例话WordCount类
        int wordnum = count.getwordnum();//读取单词数
        int linenum = count.getlinenum();//获取有效行数
        int phrasenum = count.getphrasenum(8);//获取有效词组数
        assertEquals(wordnum, 64);
        assertEquals(linenum, 3);
        List<HashMap.Entry<String, Integer>> m = count.getPharses();
        int aa=m.get(0).getValue(),cc=m.get(9).getValue();
        String bb=m.get(0).getKey(),dd=m.get(9).getKey();
        assertEquals( aa , 4);
        assertEquals(bb, "asdf zxcv jklq aaaa asdf zxcv jklq aaaa");
        assertEquals( cc , 1);
        assertEquals(dd, "aaaa wjoi oifvf nvxlj qwoei jfsiod fdss vffr2f4");
}

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

• 一：原本我们两个作业一都是用C++写的，但由于种种原因（上面提到过了），我们选择了用JAVA写，其中很多语法，还有很多类似STL的那些工具我们之前根本没有接触过，只能临时去学习了一下。
• 二：时间不足，由于临近acm的比赛，有空闲的时间基本被抓去训练了，不像实验室里的其他同学，他们抱到了实验室外大腿，而我们两个都是实验室的成员，这就导致我们两个处境十分尴尬，两人互坑（哈哈），不过还是挤出了时间来完成基本的功能。
• 三：对于爬虫不够熟悉，导致我前期在爬取html出现错误后Debug时间过久，不过还好网上的教程够多，让我及时找到解决方法，具体在上面也提到过了。

评价你的队友

• 值得学习的地方：思维敏捷，学习能力强，可靠。
• 需要改进的地方：有点小拖延症

---

学习进度条