——实现一个能够对文本文件中的单词的词频进行统计的控制台程序
1.Github地址:
https://github.com/wangshiyaoyao/WordCont
2.PSP表格
PSP2.1 |
Personal Software Process Stages |
预估耗时(分钟) |
实际耗时(分钟) |
Planning |
计划 |
||
· Estimate |
· 估计这个任务需要多少时间 |
||
Development |
开发 |
||
· Analysis |
· 需求分析 (包括学习新技术) |
120 |
360 |
· Design Spec |
· 生成设计文档 |
30 |
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 |
30 |
30 |
· Coding |
· 具体编码 |
120 |
120 |
· Code Review |
· 代码复审 |
20 |
40 |
· Test |
· 测试(自我测试,修改代码,提交修改) |
120 |
300 |
Reporting |
报告 |
||
· Test Repor |
· 测试报告 |
60 |
60 |
· Size Measurement |
· 计算工作量 |
30 |
30 |
· Postmortem & Process Improvement Plan |
· 事后总结, 并提出过程改进计划 |
30 |
30 |
|
合计 |
590 |
1030 |
3.需求分析
实现一个能够对文本文件中的单词的词频进行统计的控制台程序
功能实现:
读取文件
获取文件名
判断获取参数是否正确
判断文件是否可读取,否则报错处理
根据文件内容进行分析处理
统计字符个数
统计有效行数
统计词频
词频排序,获取前十
统计单词数
输出结果
测试用例:
创建临时文件
根据一定规则随机生成内容
记录生成内容的有效单词等各种你参数
功能测试
测试统计字符个数
测试统计有效行数
测试统计词频
测试统计单词数
难点:
单词匹配,使用正则表达式,学习其语法
测试套件的使用
随机生成文件内容
代码规范:
使用python3.7+ pycharm
单函数单功能
添加注释,提高代码可读性
代码符合pep8规范,使用pylint进行检查
使用Profile进行性能检测
4.代码设计
Get_argv函数:获取并返回程序执行第一个参数,进行参数个数校验,有误返回空字符串,
Main函数:接受一个文件名字符串,输出分析结果,无返回
创建文件分析实例,进行分析,获取输出结果,进行输出
_file_check函数:文件名检查,若不能打开并读取,进行报错,程序异常退出
FileHandler类:
__init__:初始化用于保存结果的各类变量,接受文件名,调用函数进行检查,调用分析函数进行分析
_analysis:打开文件,读取内容,对读取内容调用欧冠具体函数进行分析,最后对词频排序
_chars_analysis:字符统计,使用len函数
_line_analysis:有效行统计,使用strip函数判断有效行
_word_analysis:词频统计,调用单词检查函数获取合法单词,使用lower函数统一为小写
_word_sum:单词数统计,调用单词检查函数获取合法单词
_sort_conatiner:词频结果排序,取前十结果
接口函数:
chars:获取字符统计结果
cotainer:获取词频前10统计结果
lines:获取有效行统计结果
words:获取单词数目统计结果
_word_check_in_line:函数:获取字符串中合法单词,使用正则表达式匹配
单元测试:
创建临时文件
根据一定规则随机生成内容
记录生成内容的有效单词等各种你参数
通过正则表达式反向匹配生成任意符合测试要求的内容,文件大小可控,覆盖较全面。
功能测试
测试统计字符个数
测试统计有效行数
测试统计词频
测试统计单词数
5.关键功能实现
文件检查:
1 def _file_check(filename):
2 """判断参数是一个可读文件,否则报错"""
3 try:
4 fd = open(filename)
5 fd.close()
6 except IOError:
7 logging.error("Invalid argument.\nNeed a readable file.")
8 sys.exit(1)
对文件进行尝试可读打开,失败进行报错,并异常退出
类初始化:
def __init__(self, filename, encoding='utf-8'):
self._chars = 0 # 统计ascii
self._container = {} # 统计词频
self._lines = 0 # 统计行数
self._words = 0 # 统计单词数
self._sorted_container = [] # 输出词频
_file_check(filename)
self._analysis(filename, encoding)
使用字典进行词频统计,避免重复
文件默认使用utf-8打开
词频统计:
1 def _word_analysis(self, line):
2 """统计词频"""
3 for word_match in _word_check_in_line(line):
4 word = word_match.lower()
5 self._container[word] = self._container.get(word, 0) + 1
使用字典的get函数对初次添加做特殊初始化
合法单词检查:
1 def _word_check_in_line(line):
2 """单词匹配"""
3 pattern = r'(?<![a-zA-Z0-9])([a-zA-Z][0-9a-zA-Z]*)'
4 result = re.findall(pattern, line)
5 # logging.debug('word check in line result:%s', result)
6 return result
使用正则进行检查
匹配字符开头后跟任意长度字符或数字,单词前一字符不为字母数字
使用findall函数获取所有合法单词,以列表存储
词频结果处理:
1 def _sort_container(self):
2 """词频结果排序,获取前10结果"""
3 self._sorted_container = sorted(self._container.items(), key=lambda x: (-x[1], x[0]))[:10]
使用sorted函数对字典进行排序
参数:key=lambda x: (-x[1], x[0])
表示排序依据,先根据字典值大->小排序,后根据字典键按字典序排序
[:10]:表示取前十个结果
生成用于测试的临时文件:
1 def touch_test_file(line_num, word_num):
2 """创建测试文件,随机生成字符,用于测试"""
3
4 _x = Xeger()
5 words = lambda: _x.xeger(r'[a-zA-Z][a-zA-Z0-9]*') # 随机生成有效单词
6 non_word = lambda: _x.xeger(r'\d[a-zA-Z0-9]*') # 随机生成开头为数字的单词
7 separator = lambda: _x.xeger(r'[^a-zA-Z0-9\n\r]') # 随机生成非字母数字回车换行符的字符
8 space = lambda: _x.xeger(r'\n[\s]*\n') # 随机生成回车空白字符回车
9
10 # 统计生成的文件中字符、单词、有效行、词频
11 result = {'chars': 0, 'words': word_num * line_num, 'lines': line_num, 'container': {}}
12
13 # 创建文件,随机生成字符
14 fd = open(temp_file, 'w')
15 for line in range(line_num):
16 for i in range(word_num):
17 word = words()
18 chars = word + separator() + non_word() + separator()
19 result['chars'] += len(chars)
20 result['container'][word.lower()] = result['container'].get(word.lower(), 0) + 1
21 fd.write(chars)
22 chars = space()
23 result['chars'] += len(chars)
24 fd.write(chars)
25 fd.close()
26
27 # 获取排序后的词频结果
28 sort_result = sorted(result['container'].items(), key=lambda x: (-x[1], x[0]))[:10]
29 result['container'] = sort_result
30 return result
使用第三方库xeger,反向生成符合正则的任意字符串
创建好要生成的合法非法单词,字符,空白字符等
创建临时文件,随机生成字符串写入
将结果返回
6.代码风格说明
Unused variable 'line' (unused-variable):未使用的参数:for循环中,使用_代替
Trailing newlines (trailing-newlines):文件末尾多余空行,删除
7.运行结果
测试运行:
8.性能分析结果及改进
使用cProfile
182480 function calls (182313 primitive calls) in 0.207 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
7382 0.057 0.000 0.057 0.000 {method 'findall' of 're.Pattern' objects}
1 0.049 0.049 0.057 0.057 {built-in method builtins.sorted}
3691 0.025 0.000 0.074 0.000 WordCont.py:64(_word_analysis)
1 0.010 0.010 0.190 0.190 WordCont.py:74(_analysis)
40049 0.008 0.000 0.008 0.000 {method 'get' of 'dict' objects}
33382 0.008 0.000 0.008 0.000 WordCont.py:87(<lambda>)
40006 0.006 0.000 0.006 0.000 {method 'lower' of 'str' objects}
7385 0.005 0.000 0.010 0.000 re.py:271(_compile)
13 0.004 0.000 0.004 0.000 {built-in method builtins.print}
7382 0.004 0.000 0.068 0.000 re.py:215(findall)
3691 0.004 0.000 0.040 0.000 WordCont.py:70(_word_sum)
7382 0.004 0.000 0.072 0.000 WordCont.py:25(_word_check_in_line)
1 0.003 0.003 0.060 0.060 WordCont.py:85(_sort_container)
7681 0.002 0.000 0.002 0.000 {built-in method builtins.isinstance}
3691 0.002 0.000 0.003 0.000 WordCont.py:59(_line_analysis)
57 0.002 0.000 0.002 0.000 {built-in method nt.stat}
3691 0.002 0.000 0.002 0.000 WordCont.py:55(_chars_analysis)
10 0.002 0.000 0.002 0.000 {built-in method marshal.loads}
3691 0.001 0.000 0.001 0.000 {method 'strip' of 'str' objects}
10 0.001 0.000 0.001 0.000 {method 'read' of '_io.FileIO' objects}
7762/7732 0.001 0.000 0.001 0.000 {built-in method builtins.len}
45 0.001 0.000 0.002 0.000 {built-in method builtins.__build_class__}
1 0.001 0.001 0.207 0.207 WordCont.py:8(<module>)
19/4 0.001 0.000 0.002 0.000 sre_parse.py:475(_parse)
…… …… ……
Findall函数耗时最多,sorted其次,内建函数暂无法优化。
按执行次数分析:
182480 function calls (182313 primitive calls) in 0.216 seconds
Ordered by: call count
ncalls tottime percall cumtime percall filename:lineno(function)
40049 0.009 0.000 0.009 0.000 {method 'get' of 'dict' objects}
40006 0.006 0.000 0.006 0.000 {method 'lower' of 'str' objects}
33382 0.008 0.000 0.008 0.000 WordCont.py:87(<lambda>)
7762/7732 0.001 0.000 0.001 0.000 {built-in method builtins.len}
7681 0.003 0.000 0.003 0.000 {built-in method builtins.isinstance}
7385 0.006 0.000 0.011 0.000 re.py:271(_compile)
7382 0.004 0.000 0.076 0.000 WordCont.py:25(_word_check_in_line)
7382 0.004 0.000 0.072 0.000 re.py:215(findall)
7382 0.058 0.000 0.058 0.000 {method 'findall' of 're.Pattern' objects}
3691 0.002 0.000 0.003 0.000 WordCont.py:55(_chars_analysis)
3691 0.002 0.000 0.003 0.000 WordCont.py:59(_line_analysis)
3691 0.025 0.000 0.078 0.000 WordCont.py:64(_word_analysis)
3691 0.004 0.000 0.042 0.000 WordCont.py:70(_word_sum)
3691 0.001 0.000 0.001 0.000 {method 'strip' of 'str' objects}
411 0.000 0.000 0.000 0.000 sre_parse.py:233(__next)
执行次数最多代码:get函数,lower函数
按函数运行时间分析:
182480 function calls (182313 primitive calls) in 0.201 seconds
Ordered by: cumulative time
ncalls tottime percall cumtime percall filename:lineno(function)
12/1 0.000 0.000 0.201 0.201 {built-in method builtins.exec}
1 0.001 0.001 0.201 0.201 WordCont.py:8(<module>)
1 0.000 0.000 0.190 0.190 WordCont.py:115(main)
1 0.000 0.000 0.188 0.188 WordCont.py:46(__init__)
1 0.010 0.010 0.187 0.187 WordCont.py:74(_analysis)
3691 0.023 0.000 0.073 0.000 WordCont.py:64(_word_analysis)
7382 0.004 0.000 0.070 0.000 WordCont.py:25(_word_check_in_line)
7382 0.004 0.000 0.066 0.000 re.py:215(findall)
1 0.003 0.003 0.060 0.060 WordCont.py:85(_sort_container)
1 0.050 0.050 0.057 0.057 {built-in method builtins.sorted}
7382 0.055 0.000 0.055 0.000 {method 'findall' of 're.Pattern' objects}
3691 0.004 0.000 0.039 0.000 WordCont.py:70(_word_sum)
14/3 0.000 0.000 0.012 0.004 <frozen importlib._bootstrap>:978(_find_and_load)
14/3 0.000 0.000 0.011 0.004 <frozen importlib._bootstrap>:948(_find_and_load_unlocked)
14/3 0.000 0.000 0.011 0.004 <frozen importlib._bootstrap>:663(_load_unlocked)
10/3 0.000 0.000 0.010 0.003 <frozen importlib._bootstrap_external>:722(exec_module)
18/3 0.000 0.000 0.010 0.003 <frozen importlib._bootstrap>:211(_call_with_frames_removed)
7385 0.005 0.000 0.009 0.000 re.py:271(_compile)
运行时间最多函数main函数,__init__初始化函数。
附:
ncalls:表示函数调用的次数;
tottime:表示指定函数的总的运行时间,除掉函数中调用子函数的运行时间;
percall:(第一个percall)等于
tottime/ncalls;
cumtime:表示该函数及其所有子函数的调用运行的时间,即函数开始调用到返回的时间;
percall:(第二个percall)即函数运行一次的平均时间,等于 cumtime/ncalls;
filename:lineno(function):每个函数调用的具体信息;
性能分析图: