JAVA+MYSQL+CSV用正则表达式获取CPU天梯分数

前言

这是一次补记录，那天接到基友一个临时任务。根据他给的文件，分析并获取CPU天梯榜的分数，然后进行分级。

下面开始我们的思路拆解：

数据处理部分

如果有多份文件，也都是按照这个思路处理。

原始CPU数据：

首先是excel文件，为每一列添加一个序列seq，并另存为CSV。例如cpu_1020.xlsx另存为cpu_1020.csv
然后通过navicat的导入向导功能，可以导入为数据库表。cpu_1020表.
导入后应该是三列信息，可以修改一下字段名为str8，c1 ，seq 。添加一个score用于保存天梯分数，添加keyword用于保存关键字提取数据。
获取对应的DDL语句 CREATE TABLEcpu_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 进行转换，可以生成需要的JPA entity和repository等文件。
JPA的话，需要修改seq字段为@Id，str8可能会存在重复或者非法内容，不适合做id，这也就是加seq的原因之一，另一个是方便知道后面排序后的数据是之前文件的第几行，总之还是不错的。

天梯数据部分：

到新浪APP的CPU性能排名榜http://itianti.sinaapp.com/index.php/cpu 获取记录。
借助Chrome的F12功能，删除掉不必要的元素，整个topbar，footer，title，titletip，right这五个可以删除掉。然后就得到一个干净的表格了，可以直接copy到excel。
惯例，加上seq列，处理一下excel文件，保存为csv格式
10.导入mysql为cpu_rank表，依旧加上keyword，并且到http://java.bejson.com/generator生成为需要的JPA文件。

正则表达式分析:

可以到正则表达式在线测试工具进行分析。

根据我对CPU的理解，一般，CPU分为三个阵营，Intel，AMD，VIA（out了）。

然后型号方面，一般都是 i3/5/7-xxxx ，也就是3到10位的数字或者字母或者-。带的后缀，也就是6400T低功耗/6500U低压/9100F无核显/9700K超频/G5600奔腾金牌/P6000奔腾/移动的4610M/4790S节能/3900X(AMD)/4700XM移动高端/E3E5E7的E/打桩机的2990WX/E5-2697A/E5-2618L/Xeon D-2143IT

最后得到一个精华的表达式[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并且保存到数据库表的keyword字段，包括原始数据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匹配分数部分

处理一下即可。

UPDATE cpu_1020 t1
SET t1.score =(SELECTt2.score FROMcpu_rank t2 WHEREINSTR( t2.keyword, t1.keyword )> 0 ORDER BYLENGTH( t2.keyword ) LIMIT 1 );

优化思路

AMD和Intel的U，型号其实有一小部分是串号的，如果有时间，可以Intel和AMD分开计算，就比较准确了，至于最后一些没有匹配到的坑爹型号则要大致根据类型，去匹配一个差不多的分数了。。。

当然，后来发现原始CPU数据都有问题，所以就需要提前处理一下，有些没用的数据或者错误的非法的数据可以去掉。懒的话也可以后面在count一下没用分数的cpu，然后选择性的处理，删除或者补分数。