Github地址：https://github.com/qwe8/pair-project
队友博客：
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
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。
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。
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
}
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。
十个单元测试如下：
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");
}
原文：https://www.cnblogs.com/qwe1/p/9763963.html