本日進度

目前已經把pre-processing的部分做完, irrelevent blog filtering的部分也做的差不多了,
接下來要進到比較麻煩的部分:reason extraction,這邊我想要採用的方法是LODR,去計算include reason的強度,不過在計算上可能會比較麻煩,要記錄的東西也相當多,希望能夠順利寫完.

效能問題..

目前坤璋程式進度還算OK
不過有一個地方效能不是很好
就是一開始擷取網頁的部分

雖然說在坤璋的程式裡也是要跑很久,
不過php也是一樣,目前找了一些io的方法來看
不曉得能不能找到加速io的方法.

目前進度...

星期四meeting後，我有檢討一下
基本上坤璋的論文就如同老師講的，是我自己沒看懂，所以我連抓出來show在網頁上的檔案都不清楚是什麼

再來是程式的部分
老師說的地方大概都知道怎樣去加強
不過因為程式是用BCB所寫的
很多套件的地方要重寫，改起來也會相對的麻煩很多，不會比較快
這個部分可能要和老師溝通了
因為我也很苦惱，要改的話，時間上會不夠，用PHP改的話，因為有些地方可以直接改用套件部分
相對會比較快讓系統run起來
大致上應該這上次meeting之後的想法

Tags消除

因為所有的檔案都是從網頁上分析之後取出
現在因為要將資料output在browser中
透過php函式strip_tags可以將取出的段落中包含html以及php標籤都移除
且標籤若是非法，會在browser顯示.

另外，剛剛發現在三維陣列表示中
我把維度搞錯了 ...
結果印出的資料回圈跑太多次，速度也很慢
剛剛改好之後速度就快多了.

Regular expression(2)

這篇是對regular expression的解釋

$patterns = array("/((1920)\d{2})-(\d{1,2})-(\d{1,2})/", "/^\s*{(\w+)}\s*=/");

$replace = array("\\3/\\4/\\1", "$\\1=");print preg_replace($patterns, $replace, "{startDate} = 1969-6-19");

1./ 和 / 所夾的部分代表要比對的 pattern
2.^ 代表從字串開頭\s 代表 [\r\n\t\f\v] 換行、跳行、空白字串..

3.代表 0 or 1 or any\w 代表 [a-zA-Z0-9_]+ 代表 1 or any\d 代表 0-9 的數字
所以 " {startDate} =" 亦符合 /^\s*{(\w+)}\s*=/
4.((1920)\d{2}) 代表會搜尋 19 或 20 開頭、並且其後接有兩位數字的 pattern 像是： 1983、2006。

5.\d{2}代表數字需重複兩次，換個角度來說，可看成要尋找兩位數。

\d{1,2}則是至少出現一次、至多出現兩次，如：1、31、99..

6.\\3/\\4/\\1則表示將符合的模式的結果，取代為第三個set/第四個set/第一個set

\\1 表示符合 ((1920)\d{2}) \\2 表示符合 (1920) \\3 表示符合 (\d{1,2}) \\4 表示符合 (\d{1,2})
就本例而言： 1969-6-19 變成 6/19/1969

這篇範例可以讓我門了解到如何在php上表達以及使用regular expression和preg_replace

Regular exepression

對於分析文字檔中含有網頁tag,現在想到的是利用preg_replace()將所有的html標籤刪除

下面兩個網頁是針對這個function所有功能的表示
http://tw.php.net/manual/en/ref.pcre.php
http://tw.php.net/manual/en/ref.regex.php

這個function蠻好用的
希望今天能把這部分弄完.
接下來就可以改快來弄美工的部分...

php呼叫外部程式

星期五找到現在,大概找到三種方式可以call外部的程式執行,
不過都有一些奇怪的地方,不符合我想的方式...

網上查的有三種,exec(),system(),shell_exec(),
比方說我想要執行一個mp3的檔案,可以用這些function呼叫,不過都沒有開啟成功,
查了說是safe_mode和檔案權限的關係,不過我看了一下,設定是OK的.

真懷疑是那邊出問題,明天還要去圖書館查資料,晚上再把坤璋說的流程自己跑一次
這樣才不會搞混.