1 团队介绍
我们团队叫“老流氓”，共有队员2人，李昂和焦猛，给大家看一张我们的帅照，哈哈哈，我们的团队目标是学好软件工程，赢取白富美，走上人生巅峰。我们两个都是属于编程能力较为一般的选手，但是我们团队有信心能做好每一次项目，因为我们对我们的智商还是很自信的，希望不会被啪啪打脸。
2 项目计划
针对升级版word count的任务，老流氓打算选取网页爬虫的word count功能进行开发。随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大的挑战。搜索引擎(Search Engine)，例如传统的通用搜索引擎AltaVista，Yahoo!和Google等，作为一个辅助人们检索信息的工具成为用户访问万维网的入口和指南。但是，这些通用性搜索引擎也存在着一定的局限性，如：
(1)不同领域、不同背景的用户往往具有不同的检索目的和需求，通用搜索引擎所返回的结果包含大量用户不关心的网页。
(2)通用搜索引擎的目标是尽可能大的网络覆盖率，有限的搜索引擎服务器资源与无限的网络数据资源之间的矛盾将进一步加深。
(3)万维网数据形式的丰富和网络技术的不断发展，图片、数据库、音频、视频多媒体等不同数据大量出现，通用搜索引擎往往对这些信息含量密集且具有一定结构的数据无能为力，不能很好地发现和获取。
(4)通用搜索引擎大多提供基于关键字的检索，难以支持根据语义信息提出的查询。
为了解决上述问题，定向抓取相关网页资源的聚焦爬虫应运而生。聚焦爬虫是一个自动下载网页的程序，它根据既定的抓取目标，有选择的访问万维网上的网页与相关的链接，获取所需要的信息。与通用爬虫(general purpose web crawler)不同，聚焦爬虫并不追求大的覆盖，而将目标定为抓取与某一特定主题内容相关的网页，为面向主题的用户查询准备数据资源。
1 聚焦爬虫工作原理以及关键技术概述
网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。聚焦爬虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索；对于聚焦爬虫来说，这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。
相对于通用网络爬虫，聚焦爬虫还需要解决三个主要问题：
(1) 对抓取目标的描述或定义；
(2) 对网页或数据的分析与过滤；
(3) 对URL的搜索策略。
3.环境配置
编程语言：python3.7
代码规范：
鉴于代码需要两个人完成，为保证两个人更好地合作和兼容，通过结合自身经历思索，同时从网上查找学习，做出以下规范：
- 尽量多用详细的注释，保证双方开发时阅读对方的代码没有太大困难；
- 尽量避免过于繁琐的判断条件，判断结构的bug可能非常难找；
- 不同的小功能点多用小型函数实现，便于调用
- 尽量缩小变量使用的生命周期，变量随时定义随时调用（这一点是从网上学到的，还没有太深体会）
- 调用了不熟悉的库函数时，加以标记并注释（鉴于两人均没有太多python开发经验）
- 代码在每个阶段后进行一次统一优化，避免两部分风格差异太大
- 重要的功能点，自己无把握的功能点，进行足够的单元测试
仓库链接：
https://gitee.com/liangruanjian/second_personal_assignment