00.前言:

• 本次作业链接
• 队友博客链接
  
• github仓库链接
• 结对成员:031602605 陈浩 and 031602634 吴志鸿

01.分工:

• 031602605 陈浩：负责词频分析部分，在原WordCount的基础上进行升级，添加新的命令行参数支持更多的功能包括自定义输入输出文件，权重词频统计，词组统计等新功能的设计。
• 031602634 吴志鸿：负责关于爬虫部分的所有设计，从CVPR2018官网爬取今年的论文列表，以及其他拓展功能的设计。

02.PSP表格:

03.解题思路描述与设计实现说明:

解题思路简述:

• 本次作业主要分成两个步骤，先是根据题目需要，按照格式要求爬取论文列表；之后在对爬取的论文列表进行词频分析。实现对WordCount的升级。
• 爬虫使用
  • 工具：Python 3.6
  • 思路：一开始是先去CVPR2018官网检查页面元素观察规律；发现每一篇论文都有对应一个超链接，并且点开后就有论文的基本信息。之后就按照特征进行爬取即可。
    • 如下图 id = content的块里存储了所需的论文列表，ptitle里存储了论文的具体网址
      

关键代码

• 读取网页内容

    target_url = ‘http://openaccess.thecvf.com/CVPR2018.py‘
    target_req = request.Request(url = target_url, headers = head)
    target_response = request.urlopen(target_req)
    target_html = target_response.read().decode(‘utf-8‘)
    #创建BeautifulSoup对象
    listmain_soup = BeautifulSoup(target_html,‘lxml‘)
    #搜索文档树,找出div标签中id为content的所有子标签
    chapters = listmain_soup.find_all(‘div‘,id = ‘content‘)
    #使用查询结果再创建一个BeautifulSoup对象,对其继续进行解析
    download_soup = BeautifulSoup(str(chapters), ‘lxml‘)

• 依次打开对应论文网址进行爬取，内容读入到文件

    file = open(‘.\\result.txt‘, ‘w‘, encoding=‘utf-8‘)
    numbers = len(download_soup.dl.contents) 
    index = 0
    #开始记录内容标志位,只要正文卷下面的链接,最新章节列表链接剔除
    begin_flag = True
    #遍历dl标签下所有子节点
    for child in download_soup.dl.children:
        #滤除回车
        if(child != ‘\n‘ and child.name != "dd"):
            print(child.name)
            #爬取链接下载链接内容
            if begin_flag == True and child.a != None:
                download_url = "http://openaccess.thecvf.com/"  +  child.a.get(‘href‘)
                download_req = request.Request(url = download_url, headers = head)
                download_response = request.urlopen(download_req)
                download_html = download_response.read().decode(‘utf-8‘)
                download_name = child.a.string
                soup_texts = BeautifulSoup(download_html, ‘lxml‘)
                #改
                texts = soup_texts.find_all(‘div‘,id = ‘content‘)
                soup_text = BeautifulSoup(str(texts), ‘lxml‘)
                write_flag = True
                file.write(str(index) +‘\n‘)
                #将爬取内容写入文件
                file.write(‘Title: ‘+download_name + ‘\n‘)
                #作者信息
#                authors=soup_text.find(‘div‘,id = ‘authors‘)
#                file.write(‘Title: ‘authors.string + ‘\n‘)
                abstract=soup_text.find(‘div‘,id = ‘abstract‘)
                file.write(‘Abstract: ‘+abstract.string[1:] + ‘\n‘)
                file.write(‘\n\n‘)
                index += 1
    file.close()

• 代码组织与内部实现设计（类图）
  • 主要由两个类组成
  • Word类用于实现词频分析的功能
    
  • FIle类用于实现对命令行参数的解析，实现对文本的输入输出
    
• 说明算法的关键与关键实现部分流程图
  • 主要说明新加三个功能
  • 1.解析命令行参数：
    - 遍历*argv[]数组
    • 遇到 -i 时 读取后面的输入路径字符，并写入输入路径中
    • 遇到 -o 时 读取后面的输出路径字符，并写入输出路径中
    • 遇到 -m 时 读取后面的字符串，并利用函数转换成正整数，存储数值
    • 遇到 -n 时 读取后面的字符串，并利用函数转换成正整数，存储数值
    • 遇到 -w 时 读取后面的字符串，并利用函数转换成正整数，存储数值
  • 2.权重统计：
    • 首先根据从-w参数后读出的数值是0和1分别选择两种权重模式。
    • 每次利用getline函数读取一行，判断开头第一个单词是 “Title“” 还是“Absatra”，在根据权重模式来分别计算两种情况下单词的权重值。
    • 流程图如下
      
  • 3.词组统计：
    • 获取一个合法输入单词，将单词的起始加入队列，判断下一个单词是不是合法单词，如果不是，清空队列，重新获取单词；如果是，则循环上一次操作，队列长度+1，直到队列长度符合输入的指定词组长度，从队列中得到单词位置，记录词组。
    • 流程图如下
      

04.附加题设计与展示:

• 设计的创意独到之处

• 实现思路

• 实现成果展示

05.关键代码解释:

• 解析命令行参数

void File::del(char *argv[])
{
    for (int i = 1; argv[i] != NULL; i = i + 2)
    {
                //遇到-i参数时,读入读取文件地址
        if (strcmp(argv[i],"-i") == 0) {
            input = argv[i + 1];
            continue;
        }
                //遇到-o参数时,读入写入文件地址
        else if (strcmp(argv[i], "-o") == 0) {
            output = argv[i + 1];
            continue;
        }
                //遇到-w参数时，判断权重
        else if (strcmp(argv[i], "-w") == 0) {
            fcountquz = atoi(argv[i + 1]);
            //cout << countquz << "aaa" << endl;
        }
                //遇到-m参数时，得到词组大小
        else if (strcmp(argv[i], "-m") == 0) {
            fcountphrase = atoi(argv[i + 1]);
            //cout << countphrase << "bbb" << endl;
        }
                //遇到-n参数时，得到输出前n个词组
        else if (strcmp(argv[i], "-n") == 0) {
            fouttop = atoi(argv[i + 1]);
            //cout << outtop << "ccc" << endl;
        }
    }
    return;
}

• 词组判断

if (answord >= 4)
{           
    //  获得一个单词后
    phraseans++;
    phrase.push_back(i- answord);//单词位置送入队列当中
    if (phraseans == countphrase)//判断队列长度是否符合
    {
        int lon = phrase.front();//词组起始位置；
        phrase.pop_front();
        str = name.substr(lon, i - lon);
        mapword[str] = mapword[str] + beishu;
        phraseans--;//输出队列中的首个单词位置
    }
    words++;
}                                   

06.性能分析与改进:

改进思路

• 本次代码是在原有的WordCount的基础上对代码进行改进，在对命令行参数进行解析时，我主要是用一个循环匹配命令行标志位，之后用atoi函数获得对应参数；在单词/词组的存储上，我还是使用unordered_map进行存储，在词组判断方面我主要是用双向队列deque存储每个单词的起始位置，当队列当中存储的标志位达到上限时，输出标志位，截取字符串，这样做法的好处在于无论是单个的单词，还是一个词组，这样都可以使用，原本我打算用指针对单词标识位进行存储，后面发现链表查找效率太低，所以用了deque。暂时没有更好的思路了。

• 测试代码时其中一个测试样例如下（命令行参数为-i ./result.txt -o output.txt -w 1 -m 3 ）

0
Title: Embodied Question Answering
Abstract: We present a new AI task -- Embodied Question Answering (EmbodiedQA) -- where an agent is spawned at a random location in a 3D environment and asked a question ("What color is the car?"). In order to answer, the agent must first intelligently navigate to explore the environment, gather necessary visual information through first-person (egocentric) vision, and then answer the question ("orange").  EmbodiedQA requires a range of AI skills -- language understanding, visual recognition, active perception, goal-driven navigation, commonsense reasoning, long-term memory, and grounding language into actions. In this work, we develop a dataset of questions and answers in House3D environments, evaluation metrics, and a hierarchical model trained with imitation and reinforcement learning.

• 样本输出结果：

characters: 817
words: 80
lines: 2
<embodied question answering>: 11
<active perception, goal>: 1
<agent must first>: 1
<answering (embodiedqa) -- where>: 1
<commonsense reasoning, long>: 1
<driven navigation, commonsense>: 1
<environment, gather necessary>: 1
<environments, evaluation metrics>: 1
<first intelligently navigate>: 1
<first-person (egocentric>: 1

• 本次性能分析测试主要使用从CVPR2018官网爬取的979篇文章的标题和摘要来进行测试，性能分析图如下：
  

• 程序中消耗最大的函数：
  

• 测试得到代码覆盖率如下所示
  

• 代码覆盖率达到了90%，没有更高的原因在于代码中有写入对文件的异常处理如下
  

07.单元测试:

• 本次一共做了10组单元测试如下，重要测试附有代码，具体如下：
• 1.测试空白输入文本（行数、字符数和单词数都应该为0，测试函数Countcharacters、Countlines、Countwords）

TEST_CLASS(EmptyTest)
    {
    public:
        TEST_METHOD(TestMethod1)
        {
            //空白文本
            File f;
            Word w;
            f.Filein();
            int num = w.Countcharacters(f.fin);
            int num1 = w.Countlines(f.fin);
            int num2 = w.Countwords(f.fin);
            Assert::IsTrue( (num==0) &&(num1==0) && (num2== 0) );
            // TODO: 在此输入测试代码
        }
    };

• 2.测试不存在输入文本文本输入(文本输入路径不存在，返回值为1，测试Filein函数)

TEST_CLASS(UnexistTest)
    {
    public:
        TEST_METHOD(TestMethod1)
        {
            //错误文本
            File f;
            Word w;
            f.input = "./unexist.txt";
            int num=f.Filein();
            Assert::IsTrue(num == 1);
            // TODO: 在此输入测试代码
        }
    };

• 3.测试只含Title的输入文本(返回行数为1行，测试函数Countcharacters、Countlines、Countwords)

• 4.测试只含Abstract的文本输入（返回行数为1行，测试函数Countcharacters、Countlines、Countwords）

• 5.测试纯数字样本（返回字符数应该为0，测试函数Countwords）

  TEST_CLASS(NumTest)
    {
    public:
        TEST_METHOD(TestMethod1)
        {
            //测试纯数字样本
            File f;
            Word w;
            f.input = "./input2.txt";
            f.Filein();
            int num2 = w.Countwords(f.fin);
            Assert::IsTrue(num2 == 0);
            // TODO: 在此输入测试代码
        }
    };
  

• 6.测试基本案例（从爬取论文列表中选出其中一项，测试函数Countcharacters、Countlines、Countwords）

• 7.测试大型样本含权重样本输出词组（从爬取论文列表中选出其中多项，测试函数Countcharacters、Countlines、Countwords、Counttop10）

  TEST_CLASS(TopTest1)
    {
    public:
        TEST_METHOD(TestMethod1)
        {
            //测试大型样本含权重样本输出词组
            File f;
            Word w;
            w.set(3, 1, 20);
            f.input = "./top.txt";
            f.Filein();
            vector<pair<string, int>> v = w.Counttop10(f.fin, 20);
            int characters = w.Countcharacters(f.fin);
            int word = w.Countwords(f.fin);
            int line = w.Countlines(f.fin);
            vector<pair<string, int>>::iterator iter = v.begin();
            Assert::IsTrue(characters == 2915 && word ==287 && line == 6 && iter->second == 11);
            // TODO: 在此输入测试代码
        }
    };
  

• 8.测试大型样本不含权重样本输出词组

• 9.测试含权重样本的输出词组（从爬取论文列表中选出其中多项，读取词组内容，测试函数Countcharacters、Countlines、Countwords、Counttop10）

TEST_CLASS(PhraseTest1)
    {
    public:
        TEST_METHOD(TestMethod1)
        {
            //测试含权重样本的输出词组
            File f;
            Word w;
            w.set(3, 1, 66);
            f.input = "./P.txt";
            f.Filein();
            vector<pair<string, int>> v = w.Counttop10(f.fin,66);
            int characters = w.Countcharacters(f.fin);
            int word = w.Countwords(f.fin);
            int line = w.Countlines(f.fin);
            int num = v.size();
            vector<pair<string, int>>::iterator iter = v.begin();
            Assert::IsTrue(characters == 817 && word == 80 && line == 2 && num == 38 && iter->first == "embodied question answering" && iter->second==11);
            // TODO: 在此输入测试代码
        }
    };

• 10.测试不含权重样本的输出词组
  

08.Github的代码签入记录:

9.遇到的代码模块异常或结对困难及解决方法:

• 问题描述
  ??在单元测试时，发现单元测试一直通过不了；在词组统计时也出现问题，存在非ascll码。
• 做过哪些尝试
  ??单元测试无法通过一开始以为是代码的问题，后面发现是还是对vs的使用不够熟悉。对于词组统计中存在的非ascll码选择先进行过滤之后在进行排查。
• 是否解决
  ??最后两个问题都成功解决了
• 有何收获
  ??对vs的单元测试操作流程更加熟悉，同时对于c++debug能力有所提升。对数据内容需要进行合理的判断，判断他们的特征从而找出解题的途径。

10.评价你的队友:

• ??阿鸿小哥哥是一个很负责很有趣的人，做事态度认真负责，学习效率很快，我们一起讨论过怎么用c++实现爬虫，最后只讨论出一个思路，在实现的时候发现对c++的第三库不是很熟悉，我比较浮躁的时候，阿鸿都会很冷静的继续完成作业。需要改进的地方是阿鸿代码基础不是很好，还是需要尽快提高代码能力带带我。（毕竟我也是蒟蒻...orz）

11.学习进度条:

FZU软工第五次作业-词组频率分析

原文：https://www.cnblogs.com/chennel/p/9781093.html