结队第二次作业——WordCount进阶需求
博客地址
051601135 岳冠宇 博客地址
051604103 陈思孝 博客地址
Github地址
具体分工
队友实现了爬虫功能,我实现了wordcount代码部分
PSP表格
PSP2.1 | Personal Software Process Stages | 预估耗时(分钟) | 实际耗时(分钟) |
---|---|---|---|
Planning | 计划 | 30 | 35 |
· Estimate | · 估计这个任务需要多少时间 | 30 | 35 |
Development | 开发 | 910 | 870 |
· Analysis | · 需求分析 (包括学习新技术) | 60 | 70 |
· Design Spec | · 生成设计文档 | 20 | 30 |
· Design Review | · 设计复审 | 10 | 10 |
· Coding Standard | · 代码规范 (为目前的开发制定合适的规范) | 20 | 20 |
· Design | · 具体设计 | 50 | 30 |
· Coding | · 具体编码 | 700 | 650 |
· Code Review | · 代码复审 | 30 | 50 |
· Test | · 测试(自我测试,修改代码,提交修改) | 20 | 30 |
Reporting | 报告 | 120 | 130 |
· Test Repor | · 测试报告 | 90 | 90 |
· Size Measurement | · 计算工作量 | 0 | 0 |
· Postmortem & Process Improvement Plan | · 事后总结, 并提出过程改进计划 | 30 | 40 |
合计 | 1060 | 1035 |
解题思路与设计实现
爬虫实用
因为之前学过python,知道用python做爬虫很方便,于是就用python写了一个小程序爬取论文信息。
核心模块是BeautifulSoup,用来处理网页的信息和爬取需要的内容
思路:先得到论文主页的网址,根据网页的源代码信息获得每篇论文的地址,再分别分析每个网页的源代码,定位标题标签和摘要标签,然后爬取信息,写入文件。
homeurl="http://openaccess.thecvf.com/CVPR2018.py"
file = urllib.request.urlopen(homeurl).read()
page = BeautifulSoup(file , "html.parser")
得到主页的网页内容,并转码。
for link in page.find_all("dt",class_="ptitle"):
uuu=link.find('a')
url=str(uuu.get('href'))
定位每篇论文的网址,需要注意的是从网页源代码得到的网址不能直接用,要在前面加上http://openaccess.thecvf.com/才是完整的网址。
title = re.findall('\n\s (.?)\n\s',page1.decode('utf-8'),re.S)
abstract=re.findall('\n\s(. ?)\n\s',page1.decode('utf-8'),re.S)
通过正则表达式定位和提取标题和摘要信息
最后写入文本文件,值得注意的是我们我们爬取的信息的格式是utf-8,但是记事本写入的默认格式是GBK,有些英文是不能识别的,会报错,
f=open(r'C:\Users\csxcs\Desktop\result.txt','w',encoding='utf-8')
打开文件时要设置一下。
爬取过程如下,运行..py程序即可,可能是网络问题,打开网页的速度很慢,爬取所有的论文也需要一段时间。
代码实现
- 代码组织与内部实现设计(类图)
- 代码的关键与关键部分流程图
while (!feof(fp))
{
ct = 0;
temps = "";
while (ch != ':')
ch = getc(fp);
while (!ifchar(ch))
ch = getc(fp);
while (1)
{
if (ch == 10 || ch == EOF)//读到回车,文末
{
if (ifword(temps))
{
str[ct] = temps;
temps = "";
for (int j = 0; j <= ct; j++)//temps置为前面的累加
temps = temps + str[j];
start(temps, m);
}
else//temps是非法单词
{
temps = "";
if (ct >= m)//前面的长度大于指定数m
{
for (int j = 0; j <= ct; j++)//temps置为前面的累加*********<=ct
temps = temps + str[j];
start(temps, m);
}
}
break;
}
if (temps.size() == 0)
{
temps = temps + ch;
ch = getc(fp);
}
else if ((ifchar(temps[temps.size() - 1]) == 0) && ifchar(ch))//遇到当前是字母数字,上一个是分隔符,结束读取
{
if (ifword(temps))
{
str[ct] = temps;
ct++;
temps = "";
}
else//temps是非法单词
{
temps = "";
if (ct >= m)//前面的长度大于指定数m
{
for (int j = 0; j <= ct; j++)//temps置为前面的累加*********<=ct
temps = temps + str[j];
start(temps, m);
}
ct = 0;
temps = "";
}
}
temps = temps + ch;
ch = getc(fp);
}
}
sor(word, n);
性能改进及分析
可以看出,时间主要消耗在了创建数组上,而且整个代码效率不高。
改进思路
可以用链表STL map工具来实现这次作业,效率能高很多,而且对空间的利用恰到好处
单元测试
对实现的每个功能模块进行单元测试,assert断言判断正确与否,同一个模块用不同的文本测试。
遇到的代码模块异常或结对困难及解决方法
- 问题描述
我使用数组来实现主要功能,后来发现不知道材料具体长度只能创建的足够大,浪费了很多空间和时间,还有可能越界。 - 解决方案
使用链表和STL map可以使整个代码优化很多。 - 体会
写代码对制定算法大方向和使用的数据结构要进行深刻的分析。
评价队友
行动力强,是个大佬。