# MasterThesis

**Repository Path**: danielljc/MasterThesis

## Basic Information

- **Project Name**: MasterThesis
- **Description**: 我的硕士论文中数据获取部分的代码
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2020-04-05
- **Last Updated**: 2022-03-31

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Daniel's Master Thesis
硕士毕业论文中的数据获取部分代码

## 数据来源
Jiang Siyuan 509K dataset
Xu Shengbin 90661 dataset
Jiang 包含 Xu

## 目的
由于实验对标Xu的论文，故数据也需使用Xu的数据集
然而ChangeScribe的输入是<A files, B files, commit message>，但Xu的输入为<diff, msg>
所以需要重新爬取A files和B files

## 流程
1. 选择对比元素 —— generator.py
2. 计算509K数据集与90K数据集的交集 —— result.csv
3. 构造URL —— db_query.py
4. 过滤失效URL —— db_query.py
5. 爬数据 —— spider.py main.py
6. 写入Message文件 —— generator.py(msg2file)

## 代码结构
* dataset：保存CoDiSum原始数据和上述流程中生成的数据
* prepare：爬取准备工作，包括生成中间数据的代码
* scrapy4git：爬虫代码
* statistic：数据统计，用于验证程序的正确性

## 结果
爬取结果保存在download文件夹中

## 注意
* 在根目录下新建download文件夹
* 修改各文件路径