前言
這是一次補記錄,那天接到基友一個臨時任務。根據他給的文件,分析並獲取CPU天梯榜的分數,然後進行分級。
下面開始我們的思路拆解:
數據處理部分
如果有多份文件,也都是按照這個思路處理。
原始CPU數據:
- 首先是excel文件,爲每一列添加一個
序列seq
,並另存爲CSV
。例如cpu_1020.xlsx另存爲cpu_1020.csv - 然後通過navicat的
導入嚮導
功能,可以導入爲數據庫表。cpu_1020表. - 導入後應該是三列信息,可以修改一下字段名爲
str8
,c1
,seq
。添加一個score
用於保存天梯分數,添加keyword
用於保存關鍵字提取數據。 - 獲取對應的DDL語句
CREATE TABLE
cpu_1020(
str8varchar(255) DEFAULT NULL,
c1varchar(255) DEFAULT NULL,
seqvarchar(255) DEFAULT NULL,
scorevarchar(255) DEFAULT NULL,
keywordvarchar(255) DEFAULT NULL ) ENGINE=MyISAM DEFAULT CHARSET=utf8;
- 到 Spring Boot Code Generator 進行轉換,可以生成需要的JPA entity和repository等文件。
- JPA的話,需要修改seq字段爲
@Id
,str8可能會存在重複或者非法內容,不適合做id,這也就是加seq的原因之一,另一個是方便知道後面排序後的數據是之前文件的第幾行,總之還是不錯的。
天梯數據部分:
- 到新浪APP的CPU性能排名榜http://itianti.sinaapp.com/index.php/cpu 獲取記錄。
- 藉助Chrome的
F12功能
,刪除掉不必要的元素,整個topbar,footer,title,titletip,right
這五個可以刪除掉。然後就得到一個乾淨的表格了,可以直接copy到excel。 - 慣例,加上seq列,處理一下excel文件,保存爲csv格式
10.導入mysql爲cpu_rank表,依舊加上keyword,並且到http://java.bejson.com/generator
生成爲需要的JPA文件。
正則表達式分析:
可以到 正則表達式在線測試工具 進行分析。
根據我對CPU的理解,一般,CPU分爲三個陣營,Intel,AMD,VIA(out了)。
然後型號方面,一般都是 i3/5/7-xxxx ,也就是3到10位的數字
或者字母
或者-
。帶的後綴,也就是6400T低功耗/6500U低壓/9100F無核顯/9700K超頻/G5600奔騰金牌/P6000奔騰/移動的4610M/4790S節能/3900X(AMD)/4700XM移動高端/E3E5E7的E/打樁機的2990WX/E5-2697A/E5-2618L/Xeon D-2143IT
最後得到一個精華的表達式[F,H,Q,P,E,K,U,S,T,P,M,W,X,A,L,0-9,i-]{3,10}
JAVA部分
提取分析keyword並且保存到數據庫表的keyword字段
,包括原始數據cpu_1020和CPU天梯表cpu_rank也分析一下。
@RequestMapping("/deal")
public Object dealCpu1(){
String patternString = "[F,H,Q,P,E,K,U,S,T,P,M,W,X,A,L,0-9,i-]{3,10}";
Pattern pattern = Pattern.compile(patternString);
List<Cpu1020> cpuList = cpu1020Repository.findAll();
for (Cpu1020 cpu1020:cpuList){
if(!StringUtils.isBlank(cpu1020.getStr8())){
Matcher matcher = pattern.matcher(cpu1020.getStr8());
//System.out.println(cpu1020.getStr8());
if(matcher.find()){
String name= matcher.group();
System.out.println("match->"+name);
cpu1020.setKeyword(name);
cpu1020Repository.save(cpu1020);
}
}
}
return null;
}
MYSQL匹配分數部分
處理一下即可。
UPDATE cpu_1020 t1
SET t1.score =(
SELECT
t2.score
FROM
cpu_rank t2
WHERE
INSTR( t2.keyword, t1.keyword )> 0
ORDER BY
LENGTH( t2.keyword )
LIMIT 1
);
優化思路
AMD和Intel的U,型號其實有一小部分是串號的,如果有時間,可以Intel和AMD分開計算,就比較準確了,至於最後一些沒有匹配到的坑爹型號則要大致根據類型,去匹配一個差不多的分數了。。。
當然,後來發現原始CPU數據都有問題,所以就需要提前處理一下,有些沒用的數據或者錯誤的非法的數據可以去掉。懶的話也可以後面在count一下沒用分數的cpu,然後選擇性的處理,刪除或者補分數。