文章目錄

• 一. 唐詩項目介紹
• • 1.1項目背景
  • 1.2項目需求
  • 1.3項目設(shè)計
  • 1.4項目工具選擇
• 二.唐詩數(shù)據(jù)爬取模塊
• • 2.1技術(shù)選型環(huán)節(jié)
  • • 2.1.1爬蟲技術(shù)
    • 2.1.2分詞技術(shù)
  • 2.2項目依賴環(huán)節(jié)
  • 2.3預(yù)研環(huán)節(jié)
  • • 2.3.1解析列表頁Demo
    • 2.3.2分詞Demo
  • 2.4具體開發(fā)環(huán)節(jié)
  • • 2.4.1數(shù)據(jù)庫的設(shè)計
    • 2.4.2爬取，解析數(shù)據(jù)
    • 2.4.3數(shù)據(jù)寫入到數(shù)據(jù)庫中
    • 2.4.4驗證并優(yōu)化---多線程
  • 2.5總結(jié)問題
• 三.詩詞可視化分析模塊
• • 3.1技術(shù)選型
  • • 3.1.1 echarts可視化
    • 3.1.2 jquery的發(fā)起ajax請求
    • 3.1.3 FastJson格式
  • 3.2導(dǎo)入依賴
  • 3.3代碼開發(fā)
  • • 3.3.1 JDBC建立數(shù)據(jù)庫連接
    • 3.3.2 整理詩的數(shù)量
    • 3.3.3 整理分詞
  • 3.4驗證效果

一. 唐詩項目介紹

1.1項目背景

爬蟲技術(shù)一直處于風(fēng)口浪尖，爬了不該爬的會引來一身官司，爬想爬取的數(shù)據(jù)又不會輕而易舉獲得，但是又想來玩玩爬蟲技術(shù)，怎么辦呢？首選古詩文網(wǎng)，因為據(jù)了解它是沒有設(shè)置任何反爬蟲機制的，數(shù)據(jù)都是公開合法的，這里我就選擇了唐詩三百首來進行爬蟲，你們不好奇哪位唐代詩人寫的詩最多嗎？你們不好奇詩人們最喜歡用什么詞去作詩嗎？如果你對唐詩也感興趣，那就跟我一起開啟這個奇妙的詩詞探險吧。

1.2項目需求

一.用柱狀圖來展示詩人們的姓名和詩詞數(shù)量，并按詩詞數(shù)量降序排序。
二.用詞云來展示詞的使用頻度，使用最頻繁的詞應(yīng)該一眼看出。

1.3項目設(shè)計

一.通過爬蟲機制把唐詩的數(shù)據(jù)爬取出來，對它進行解析，將每首詩的數(shù)據(jù)寫入到數(shù)據(jù)庫中。
二.通過發(fā)起請求來對數(shù)據(jù)進行分析篩選，最后渲染成可視化效果。

1.4項目工具選擇

這是一個Web項目，Java選擇用IDEA這個編譯器，選擇用maven來引進一些需要用到的第三方庫，通過tomcat這個Web應(yīng)用服務(wù)器來執(zhí)行。

二.唐詩數(shù)據(jù)爬取模塊

2.1技術(shù)選型環(huán)節(jié)

2.1.1爬蟲技術(shù)

我了解到的爬蟲技術(shù)棧有 HtmlUnit,HttpClient，這里我選擇了HtmlUnit這個框架。

• 原因：HttpClient是用來模擬HTTP請求的，用的是socket通信，通過get方法來提交請求，只能獲取html靜態(tài)頁面的源碼，如果頁面中有js部分，則不能獲取到j(luò)s執(zhí)行后的源碼。
  HtmlUnit是一款無界面的瀏覽器程序庫，它模擬用戶去操作瀏覽器，允許調(diào)用頁面，填寫表單，點擊鏈接等，還可以執(zhí)行js，有很多的API用起來也非常方便。

2.1.2分詞技術(shù)

使用ansj_seg庫對古詩的標題和正文進行分詞，為詞云做準備。這個中文分詞器正確率高，不容易出做，分詞速度也快，效果也比較高。

2.2項目依賴環(huán)節(jié)

解析請求html頁面

<dependency><groupId>net.sourceforge.htmlunit</groupId><artifactId>htmlunit</artifactId><version>2.36.0</version></dependency>

分詞

<dependency><groupId>org.ansj</groupId><artifactId>ansj_seg</artifactId><version>5.1.6</version></dependency>

2.3預(yù)研環(huán)節(jié)

通過編寫一些Demo來熟悉這些技術(shù)的使用，看看它展示的效果是否滿意。

2.3.1解析列表頁Demo

WebClient client = new WebClient(BrowserVersion.CHROME);client.getOptions().setJavaScriptEnabled(false);client.getOptions().setCssEnabled(false);String baseurl = "https://so.gushiwen.org";String pathurl = "/gushi/tangshi.aspx";List<String> detailUrlList = new ArrayList<>();//所有古詩的詳情頁的url//列表頁的解析{String url = baseurl + pathurl;HtmlPage page = client.getPage(url);//獲取詩詞頁面List<HtmlElement> divs = page.getBody().getElementsByAttribute("div", "class", "typecont");for (HtmlElement div : divs) {List<HtmlElement> as = div.getElementsByTagName("a");for (HtmlElement a : as) {String detailUrl = a.getAttribute("href");detailUrlList.add(baseurl + detailUrl);}}}

2.3.2分詞Demo

public static void main(String[] args) {String sentence="中華人民共和國成立了！中國人民從此站起來了";List<Term> termlist=NlpAnalysis.parse(sentence).getTerms();for(Term term:termlist){System.out.println(term.getNatureStr()+":"+term.getRealName());}}

2.4具體開發(fā)環(huán)節(jié)

2.4.1數(shù)據(jù)庫的設(shè)計

數(shù)據(jù)庫要存取：自增主鍵id，標題，朝代，作者，正文，分詞，sha-256。

• SHA-256是為了防止下載重復(fù)詩詞，所以用每首詩的標題和正文去計算SHA-256值。

CREATE TABLE `tangpoetry` (`id` int(11) NOT NULL AUTO_INCREMENT,`sha256` char(64) NOT NULL,`dynasty` varchar(10) NOT NULL,`title` varchar(100) NOT NULL,`author` varchar(10) NOT NULL,`content` text NOT NULL,`words` text NOT NULL,PRIMARY KEY (`id`),UNIQUE KEY `sha256` (`sha256`) ) ENGINE=InnoDB AUTO_INCREMENT=703 DEFAULT CHARSET=utf8mb4

2.4.2爬取，解析數(shù)據(jù)

• 獲取列表頁解析出每首詩的url
• 解析詳情頁得出要往數(shù)據(jù)庫中寫入的數(shù)據(jù)（標題，朝代，作者，正文，計算SHA-256，計算分詞（切記分詞要去除特殊字符，比如符號，null等）需要將分詞拼接成字符串格式，方便存儲）

2.4.3數(shù)據(jù)寫入到數(shù)據(jù)庫中

• 通過JDBC建立數(shù)據(jù)庫連接，將標題，朝代等信息插入到數(shù)據(jù)庫的表中。

2.4.4驗證并優(yōu)化—多線程

*通過sql語句查看320首詩詞數(shù)據(jù)是否成功寫入到數(shù)據(jù)庫中。如果信息無誤，則插入成功。

• 單線程版本效率低，每次都是主線程去完成各項任務(wù)，在解析詳情頁的時候每次都是主線程，而總共有320首詩，就要挨個去解析320次，非常耗時。
• 引入多線程版本：讓主線程去獲取列表頁，解析列表頁，得出每首詩的url，開啟多個線程，去完成列表頁解析工作，并將數(shù)據(jù)寫入到數(shù)據(jù)庫中。
  問題：1.webclient不是線程安全的，每個線程都得自己建一個webclient對象
  2.connection不是線程安全的，需要通過傳
  datasource這個參數(shù)去建立連接。
  3.MessageDigest這個計算SHA-256的也不是線程安全的。
  多線程每次都要創(chuàng)建320個子線程去執(zhí)行任務(wù)，執(zhí)行完再銷毀，顯然有點浪費資源。
• 線程池版本：這里用的是Executors.newFixedThreadPool(30)這個固定數(shù)目的線程池，把多線程要處理的那些任務(wù)去交給線程池里面的線程去完成，這里我設(shè)置的是30個核心線程。
  BUG： JVM結(jié)束是指所有非后臺線程執(zhí)行結(jié)束后才關(guān)閉，而線程池一直在主線程中，根本不可能自己關(guān)閉，它會不斷地去執(zhí)行任務(wù)，重復(fù)的死循環(huán)，永不停止。
  解決辦法： 只要等所有子線程都完成任務(wù)，就可以手動關(guān)閉線程池。
• 如何判斷子線程任務(wù)是都都結(jié)束了呢？
  1.CAS原子類

private static AtomicInteger successCount=new AtomicInteger(0);private static AtomicInteger failureCount=new AtomicInteger(0);private static class Job implements Runnable{private void work() throws IOException, InterruptedException {Random random=new Random();int n=random.nextInt(5);if(n<2){throw new IOException();}Thread.sleep(5);}@Overridepublic void run() {try{work();//successCount++;successCount.getAndIncrement();}catch (IOException e){//failureCount++;failureCount.getAndIncrement();} catch (InterruptedException e) {e.printStackTrace();}}}public static void main(String[] args) throws InterruptedException {for(int i=0;i<COUNT;i++){Thread thread=new Thread(new Job());thread.start();}while(successCount.get()+failureCount.get()!=COUNT){Thread.sleep(1000);System.out.println("任務(wù)還沒完成");}System.out.println("任務(wù)全部完成");}

2.CountDownLatch：開始會設(shè)定要等待的線程數(shù)，主線程阻塞，每執(zhí)行完一個子線程就調(diào)用countDown（），此時計數(shù)器-1，直到計時器為0時才將主線程喚醒，不為0 就一直await()，為0說明子線程任務(wù)都執(zhí)行完了，就可以關(guān)閉線程池了。

CountDownLatch countDownLatch = new CountDownLatch(detailUrlList.size());//指定countDownLatch要等待的線程數(shù)for (String url : detailUrlList) {pool.execute(new Job(url,dataSource2,countDownLatch));}countDownLatch.await();//如果沒處理結(jié)束，就等待pool.shutdown();//最后關(guān)閉線程池}

2.5總結(jié)問題

• 在創(chuàng)建數(shù)據(jù)庫的時候，要合理的設(shè)計每個字段的類型，不能盲目浪費資源。
• 多線程設(shè)計，一定要考慮線程安全問題，不然出大錯。
• 學(xué)會不斷地優(yōu)化項目。

三.詩詞可視化分析模塊

3.1技術(shù)選型

3.1.1 echarts可視化

echarts是一個開源免費的javascript可視化庫，柱狀圖和詞云都是來自于它。而且它是開源的，中文文檔，方便上手。

3.1.2 jquery的發(fā)起ajax請求

因為echarts的數(shù)據(jù)是寫死的，所以使用jquery來發(fā)起ajax請求，用httpservlet來處理請求，返回一個json格式的字符串，等加載成功執(zhí)行success方法去進行可視化，這樣數(shù)據(jù)就是從請求響應(yīng)獲取的，不再是寫死的。

3.1.3 FastJson格式

返回Json格式的第三方庫有很多，比如Gson,FastJson等，我選擇FastJson主要是因為寫起來簡單，是阿里巴巴維護的，我這個應(yīng)用小，也估計碰不到它的BUG。

3.2導(dǎo)入依賴

<dependency><groupId>com.alibaba</groupId><artifactId>fastjson</artifactId><version>1.2.62</version></dependency><dependency><groupId>javax.servlet</groupId><artifactId>javax.servlet-api</artifactId><version>3.1.0</version><scope>provided</scope></dependency>

3.3代碼開發(fā)

3.3.1 JDBC建立數(shù)據(jù)庫連接

這里用的是餓漢的設(shè)計模式，來進行數(shù)據(jù)庫連接。

3.3.2 整理詩的數(shù)量

• 繼承HttpServlet，通過doGet方法來處理ajax發(fā)起的http請求，用復(fù)合查詢sql語句就可以搞定，再將數(shù)據(jù)寫入到JSONArray中，返回一個Json格式的字符串。

SELECT author, count(*) AS cnt FROM tangpoetry GROUP BY author HAVING cnt >=? ORDER BY cnt DESC；

• 用@WebServlet(“rank.json”)來配置path路徑，就不需要去web.xml去配置servlet了。
• 發(fā)起ajax請求，收到響應(yīng)后去執(zhí)行success里面的方法，進行柱狀圖的渲染。

method: "get", // 發(fā)起 ajax 請求時，使用什么 http 方法url: "rank.json?condition=10", // 請求哪個 urldataType: "json", // 返回的數(shù)據(jù)當(dāng)成什么格式解析success: function (data) { // 成功后，執(zhí)行什么方法

通過html頁面的script標簽找到j(luò)s文件去執(zhí)行。

3.3.3 整理分詞

• 繼承HttpServlet,通過doGet方法處理請求，將分詞都先放入到list中，再用map來整理每個詞出現(xiàn)的次數(shù)，最后將Key和Value來放入到JSONArray中，返回一個json格式的字符串。
• 同樣用@WebServlet("/words.json")

3.4驗證效果

總結(jié)

以上是生活随笔為你收集整理的唐诗分析项目设计文档的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。