工程中的演算法應用 - 簡單的三個例子
阿新 • • 發佈：2020-04-04
[TOC]
## 前言
其實這篇文章早就想寫了，因為自己太懶，到現在才更新。雖然這三個例子都是最簡單的演算法，但是不得不說，相比較暴力的做法，確實提升了效率，也節省了程式設計師的時間。三個例子中用到的分別是二分查詢、二維平均卷積、非同步改同步。
## 二分查詢
### 應用背景
給定一個URL資源介面，如XXX_001.mp4代表視訊的第一秒、XXX_002.mp4代表視訊的第二秒，以此類推；如何寫一個多執行緒爬蟲，把整個視訊資源快速爬下來？
### 對照演算法
容易想到的就是順序爬取，直接假設資源具有999個，將URL生成好存在佇列裡，開50個執行緒依次獲取，當有執行緒返回404時，通知佇列清空，其他排在之後的執行緒也停止工作，等待未下載完畢的執行緒處理，之後程式退出。
### 存在的問題
1. 假設資源只有20個，50個執行緒很明顯一瞬間打出來30個404，這對網站也是一種攻擊行為，很容易被反爬策略限制。
1. 各個執行緒之間的排程需要有效處理，假設2號執行緒返回404，在它之後從佇列裡拿取URL的所有執行緒都需要被停止，雖然Python的佇列是執行緒安全的，但是需要操作已經執行的其他執行緒仍存在一定的問題。
1. 因為網路io的不穩定問題，很可能介面返回異常值如500，這時候需要處理重試，同時還需要及時確定資源是否已爬取完畢。
### 解決方案
假設我們一開始就可以知道資源的總數，那麼很容易得到佇列裡應有的URL，組織多執行緒爬取也就變得簡單，只需要超時重試這一個操作即可。
這裡可以對URL做一個抽象，我們進行二分查詢的物件可以視為一個前半部分為1（200），後半部分為0（404）的陣列：{1, 1, 1, 1, 0, 0, 0}，於是問題變為，用最小的陣列訪問次數，找出來最右邊的一個1。
### 程式碼方案
這裡是完整的程式碼實現：
```python
queue = []
max_num = 1000
for i in range(max_num):
ts = url.replace('{2}', '%03d' % i)
save = save_dir + '/%03d.ts' % i
queue.append((ts, save))
left = 0
right = max_num - 1
mid = 0
r = requests.get(queue[mid][0])
if r.status_code != 200:
print(str(video) + ' total: %d' % mid)
os.removedirs(save_dir)
return
while left <= right:
mid = (left + right) // 2
q = queue[mid]
u = q[0]
r = requests.get(u)
if r.status_code == 200:
left = mid + 1
with open(q[1], 'wb') as f:
f.write(r.content)
else:
right = mid - 1
r = requests.get(queue[mid][0])
if r.status_code == 200:
if not spider.file_exists_or_has_content(queue[mid][1]):
with open(queue[mid][1], 'wb') as f:
f.write(r.content)
mid += 1
queue = queue[:mid]
print(str(video) + ' total: %d' % mid)
```
可以看出，主要程式碼部分就是下面的二分查詢，使用這樣的臨界處理，可以找出最右邊的元素，以最小的訪問次數獲取URL資源總數，處理完畢後queue裡就是所有的資源了，其中在中間階段已經將爬取的部分視訊儲存，方便後面的執行緒不重複發起網路請求。這樣我們就可以愉快的爬小黃網了（誤
## 二維平均卷積
### 應用背景
給定一個原影象，一個輸出框和一個代表原影象顯著性分佈的顯著性影象（即畫面主體的灰度圖、越顯著灰度值越高），如何調整輸出框的位置，使得框住的影象顯著性最高（即裁剪問題）？
### 對照演算法
暴力解決的話很容易想到dp的方法，將輸出框左上角從（0， 0）開始位移，第一次計算所有畫素灰度的sum，每次移動都加上新覆蓋的一行（列）的灰度並減去取消覆蓋的一行（列）的灰度。
### 存在的問題
1. 耗時，是非常耗時，這種密集的cpu操作，io極短，相當於一直在讓cpu做加法、減法。
1. 假設我們需要對N對圖片都進行這樣的處理，即對視訊的每一幀處理，演算法的執行時間會成為嚴重效能瓶頸。
### 解決方案
有一種加速類似運算的操作叫做卷積，一般我們選擇的卷積核是為了提取影象關鍵部分、或為了影象增強，但是在這裡，可以有效的利用卷機的硬體加速效果實現我們的演算法加速；同時採用平均卷積避免加和出來的結果過大導致計算放慢。
### 程式碼方案
這裡是完整的程式碼實現：
```python
def crop_fix(sframe, sheight, swidth):
skenerl = np.ones((sheight, swidth)) / (sheight * swidth)
s = signal.convolve2d(sframe, skenerl, mode='valid')
m = np.argmax(s)
r, c = divmod(m, s.shape[1])
return r, c
```
簡潔易懂，這大概我2020上半年寫的最優雅的程式碼了吧，有效利用硬體加速效果，全部使用庫裡優化過的函式。於是就可以愉快的省下時間划水啦（誤
## 非同步改同步
這個理論上不算演算法的解決方案，但是也屬於程式碼的小trick，一併介紹了。
### 應用背景
假如你有一個JTree（Java Swing知識、未獲取前置知識點的同學請看書），即一個樹形選單，其中每個節點的展開都會觸發Expand事件（委託事件模型、Swing的nb之處），其會啟動一個執行緒用以發起網路請求，動態載入樹的子節點；現在新增了一個需求，需要完全展開這個樹，同時保證請求數不至於爆炸，怎麼實現？
### 對照演算法
正常來說展開這個樹，我們會使用遞迴演算法，展開一個節點，遍歷其子節點依次呼叫這個演算法，當這個節點是子節點時停止。
### 存在的問題
1. 由於節點的展開與節點內容的獲取時非同步的，遞迴演算法不知道需要等待多長時間再開始遍歷其子節點，導致樹的展開不徹底。
1. 由於演算法使用遞迴，很難控制一個有效的延遲時間，使得每秒請求數不至於過高。
### 解決方案
將原始碼中非同步的方法嘗試改為同步，但又不影響原來的程式碼邏輯；這裡想到了Java的synchronized和ReentrantLock，這裡選用前者實現，因為後者還需要在類中維護一個變數，較為麻煩。
### 程式碼方案
首先我們在非同步方法里加上這一句：
```java
synchronized (ChxGUI.this) {
ChxGUI.this.notify();
}
```
這樣既不會影響原來程式碼的邏輯，又方便了我們獲取程序執行結束的資訊。之後實現我們需要的業務程式碼即可：
```java
allButton.addActionListener(e -> new Thread(() -> {
ChxGUI gui = ChxGUI.this;
gui.label.setText("請不要操作 稍等一會");
gui.tree.setEnabled(false);
synchronized (ChxGUI.this) {
try {
gui.tree.expandRow(0);
Thread.sleep((int) (1000 * Math.random()));
ChxGUI.this.wait();
} catch (InterruptedException ex) {
ex.printStackTrace();
}
}
TreeNode root = (TreeNode) gui.treeModel.getRoot();
for (int i = root.getChildCount() - 1; i >