Update README.md

README.md

@@ -17,5 +17,58 @@
 | · Postmortem & Process Improvement Plan | · 事后总结, 并提出过程改进计划          |        1              |             2         |
 |                                         | · 合计                                  |     751       |          902            |
   
-  
+  #二、任务要求的实现
+
+##(2.1) 项目设计与技术栈
+在完成任务的过程中，我将任务拆分成以下几个阶段：
+需求分析
+方案设计
+数据爬取
+数据清洗与处理
+数据分析与统计
+数据可视化
+性能优化
+结论报告
+使用的技术栈
+编程语言：Python
+爬虫框架：requests、BeautifulSoup 和json
+数据处理：pandas
+数据库：MySQL 或 MongoDB（如果需要存储大量数据）
+可视化工具：matplotlib、wordcloud
+ 性能分析：VS Code 性能分析插件
+
+##(2.2) 爬虫与数据处理
+
+业务逻辑：
+使用python访问多个主流网站并获取与“巴黎奥运会”相关的弹幕数据。
+对爬取到的弹幕数据进行清洗和过滤，提取出与 AI 相关的弹幕。
+数据分析：统计弹幕中每个关键词出现的次数。
+
+代码设计过程：
+实现网页数据的爬取，数据的清洗和关键词提取，最后统计每个关键词的出现频率并生成统计报告。
+关键算法说明：
+
+使用 any() 函数检查弹幕中是否包含 AI 相关关键词
+
+使用 Counter库进行频率统计。
+
+##(2.3) 数据统计接口部分的性能改进
+
+性能改进思路：
+
+将数据处理部分的循环由串行改为并行处理（使用 multiprocessing 库）。
+优化数据库读写操作，减少多余的 I/O 操作。
+使用缓存技术加速重复查询。
+性能分析工具：使用了 VS Code 自带的性能分析工具，找到了数据处理部分的瓶颈，并进行了优化。
+
+性能分析图：可以在性能分析工具中生成函数调用栈和消耗时间的报告。
+
+##(2.4) 数据结论的可靠性
+结论：
+
+关于巴黎奥运会的AI弹幕，主要集中于'AI给运动员带来的帮助'，例如AI能帮助运动员训练
+
+数据依据：
+
+基于爬取到弹幕数据，通过关键词统计得出结论。