结对第2次作业——WordCount进阶需求

时间：2018-10-12 23:06:15 阅读：147 评论：0 收藏：0 [点我收藏+]

作业链接：https://edu.cnblogs.com/campus/fzu/FZUSoftwareEngineering1816W/homework/2160
github链接：https://github.com/hizxk/PairProject-Java

具体分工
我：论文爬取，行数，字符数，词频统计代码实现
陈顺兴：词组统计代码实现，单元测试

psp表格

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	20	20
? Estimate	? 估计这个任务需要多少时间	10	20
Development	开发	220	340
? Analysis	? 需求分析 (包括学习新技术)	20	20
? Design Spec	? 生成设计文档	10	10
? Design Review	? 设计复审	15	10
? Coding Standard	? 代码规范 (为目前的开发制定合适的规范)	15	20
? Design	? 具体设计	30	45
? Coding	? 具体编码	210	220
? Code Review	? 代码复审	20	25
? Test	? 测试（自我测试，修改代码，提交修改）	30	30
Reporting	报告	10	20
? Test Repor	? 测试报告	20	20
? Size Measurement	? 计算工作量	10	15
? Postmortem & Process Improvement Plan	? 事后总结, 并提出过程改进计划	20	20
	合计	660	735

解题思路描述与设计实现说明

爬虫使用

本次采用JAVA实现爬虫，运行cvpr文件夹中的Main.class文件，论文自动爬取

技术分享图片

代码组织与内部实现设计（类图）

技术分享图片

说明算法的关键与关键实现部分流程图
关键：论文过滤，一篇论文的Title和Abstract链接在<dt class="ptitle"><br><a href=" ">>Title</a></dt>中，因此构造正则表达式<dt class="ptitle"><br><a href="([^"]*)">([^<]*)截取这两部分，再通过Abstract链接爬取论文网页，论文的Abstract在<div id="abstract" ></div>之间，构造正则表达式<div id="abstract" >(.*?)</div>截取这部分

技术分享图片

附加题设计与展示

设计的创意独到之处

增加对作者，pdf链接的爬取

实现思路

构造新的正则表达式，匹配作者和链接

实现成果展示

关键代码解释

构造正则表达式，用来查找有效Title与Abstract有效字符，统计字符数和有效行数不需要考虑Title与Abstract的权重，因此一并计算

Pattern pattern = Pattern.compile("(Title: |Abstract: )([^\n]*)");
Matcher matcher = pattern.matcher(paper);

统计行数
只要查找到匹配向，行数就加一

while (matcher.find()) {
            count += 1;
        }

统计字符数
方法时间查找到的有效字符串，计算长度相加，计算的时候要加上getBytes("utf-8")，如果比较，java默认是以gbk读取，一些特殊字符就无法读取，造成字符数统计错误

while (matcher.find()) {
                count += matcher.group(2).getBytes("utf-8").length;
                //count+=matcher.group(2).length();
            }

统计单词数
通过split函数提取字符串中的词组，函数参数是一个正则表达式
过滤完后保存到字符串数组中，再通过matches函数判断单词是否满足条件，同样参数也是一个正则式，[a-zA-Z]{4}[a-zA-Z0-9]表示前四个为英文字符，

while (matcher.find()) {
            words = matcher.group(2).split("[^A-Za-z0-9]+");
            for (String word : words) {
                if (word.matches("[a-zA-Z]{4}[a-zA-Z0-9]*")) {
                    count++;
                }
            }
        }

词频统计
首先构造两个正则表达式，用来匹配Title或Abstract中的字符串

Pattern titlePattern = Pattern.compile("(Title: )([^\n]*)");
Pattern abstractPattern = Pattern.compile("(Abstract: )([^\n]*)");

创造一个变量来设置权重

/* 单词权重设置，默认title单词为1 */
        int wordWeight = 1;
        if (weight == 1) wordWeight = 10;

单词与词频用Map类来保存

while ((matcher.find())) {
            content = matcher.group(2);
            words = content.split("[^A-Za-z0-9]+");
            for (String word : words) {
                if (word.matches("[a-zA-Z]{4}[a-zA-Z0-9]*")) {
                    word = word.toLowerCase();
                    if (wordFrequency.containsKey(word)) {
                        int temp = wordFrequency.get(word) / wordWeight;
                        wordFrequency.put(word, (temp + 1) * wordWeight);
                    } else {
                        wordFrequency.put(word, wordWeight);
                    }
                }
            }
        }

Map接口好像没有排序的功能，那就将Map转为List

List<Entry<String, Integer>> wordList =
                new ArrayList<Map.Entry<String, Integer>>(words.entrySet());

通过构造比较器，用来字典排序

Comparator<Entry<String, Integer>> com = new Comparator<Entry<String, Integer>>() {
            @Override
            public int compare(Entry<String, Integer> arg0, Entry<String, Integer> arg1) {
                // TODO Auto-generated method stub
                if (!arg0.getValue().equals(arg1.getValue())) {
                    return (arg1.getValue().compareTo(arg0.getValue()));
                } else {
                    return (arg0.getKey().compareTo(arg1.getKey()));
                }
            }
        };

词组统计
主要思路是将单词与分割符分别保存到数组里，再成对成对的判断
单词字符串保存到wods字符串数组中，分割符字符串保存到signs字符串数组中，主要是考虑到形成词组的条件与单词有关，如果相邻单词都满足条件，再与分隔符字符串进行拼接
单词与分割符通过split函数分割并保存到字符串数组中

words = content.split("[^A-Za-z0-9]+");
            signs=content.split("[A-Za-z0-9]+");

两层循环，第二层循环依赖第一层

for (int i = 0; (i + m) <= length; i++) {
                for (int j = i; j < m + i; j++) {
                    isPhrase = true;
                    if (!words[j].matches("[a-zA-Z]{4}[a-zA-Z0-9]*")) {
                        i = j;
                        phrase = "";
                        isPhrase = false;
                        break;
                    }
                    if (j == i + m - 1) {
                        phrase += words[j];
                    } else {
                        phrase += (words[j] + signs[j+1]);
                    }
                }
                if (isPhrase) {
                    phrase = phrase.toLowerCase();
                    if (list.containsKey(phrase)) {
                        list.put(phrase, list.get(phrase) + 1);
                    } else {
                        list.put(phrase, 1);
                    }
                    phrase = "";
                }
            }