diff --git a/2024软工K班个人编程任务.md b/2024软工K班个人编程任务.md
new file mode 100644
index 0000000..bf27965
--- /dev/null
+++ b/2024软工K班个人编程任务.md
@@ -0,0 +1,238 @@
+项目地址：https://code.educoder.net/pux36pf8t/2024-Summer-Olympics
+
+# 一、PSP表格
+
+## 1.各个模块开发预估耗时
+
+| PSP 阶段             | 预估时间（分钟） | 备注                                    |
+| -------------------- | ---------------- | --------------------------------------- |
+| **计划**             | **100**           |                                         |
+| - 需求分析           | 35               | 分析任务要求及功能                      |
+| - 制定计划           | 65               | 制定开发计划和时间表                    |
+| **开发**             | **685**          |                                         |
+| - 设计               | 65               | 设计模块和数据结构                      |
+| - 实现爬虫模块       | 185              | 使用Python实现爬虫，爬取B站视频弹幕数据 |
+| - 数据统计与处理模块 | 125              | 统计AI技术相关弹幕数据                  |
+| - 可视化模块         | 125              | 使用词云图等方式进行数据可视化          |
+| - 数据结论与分析模块 | 95               | 分析AI技术应用的相关数据                |
+| **测试**             | **190**          |                                         |
+| - 编写单元测试用例   | 65               | 编写测试代码和用例                      |
+| - 测试执行与问题修复 | 125              | 执行测试，发现并修复问题                |
+| **发布**             | **65**           |                                         |
+| - 项目提交与发布     | 65               | 提交到仓库与发布                        |
+| **性能优化**         | **125**          |                                         |
+| - 性能分析与优化     | 125              | 使用工具分析性能瓶颈并优化代码          |
+| **总结与文档**       | **95**           |                                         |
+| - 编写项目文档       | 95               | 编写项目总结、开发文档和用户手册        |
+| **总计**             | **1260**         | 约21小时，共1260分钟                    |
+
+## 2.各个模块上实际花费的时间
+
+| PSP 阶段             | 实际时间（分钟） | 备注                                    |
+| -------------------- | ---------------- | --------------------------------------- |
+| **计划**             | **110**          |                                         |
+| - 需求分析           | 45               | 分析任务要求及功能                      |
+| - 制定计划           | 65               | 制定开发计划和时间表                    |
+| **开发**             | **615**          |                                         |
+| - 设计               | 75               | 设计模块和数据结构                      |
+| - 实现爬虫模块       | 205              | 使用Python实现爬虫，爬取B站视频弹幕数据 |
+| - 数据统计与处理模块 | 135              | 统计AI技术相关弹幕数据                  |
+| - 可视化模块         | 105              | 使用词云图等方式进行数据可视化          |
+| - 数据结论与分析模块 | 95               | 分析AI技术应用的相关数据                |
+| **测试**             | **170**          |                                         |
+| - 编写单元测试用例   | 75               | 编写测试代码和用例                      |
+| - 测试执行与问题修复 | 95               | 执行测试，发现并修复问题                |
+| **发布**             | **65**           |                                         |
+| - 项目提交与发布     | 65               | 提交到仓库与发布                        |
+| **性能优化**         | **105**          |                                         |
+| - 性能分析与优化     | 105              | 使用工具分析性能瓶颈并优化代码          |
+| **总结与文档**       | **85**           |                                         |
+| - 编写项目文档       | 85               | 编写项目总结、开发文档和用户手册        |
+| **总计**             | **1150**         | 约19小时，共1150分钟                    |
+
+# 二、任务要求的实现
+
+## 1.项目设计与技术栈
+
+### [1]任务流程
+
+这一次任务我拆分成如下流程：
+
+（1）进行需求分析和任务规划
+
+（2）实现编码过程（包括数据爬取、数据处理与统计分析、结果写入Excel、生成词云图）
+
+（3）总结2024巴黎奥运会中应用AI技术的主流观点
+
+（4）上传代码&&编写文档
+
+### [2]代码使用的技术栈
+
+整个代码主要使用了python语言完成。
+
+完成基本任务所使用的技术栈如下：
+
+* Http请求：requests
+* Json解析：json
+* Excel写入：pandas
+* 词云生成：wordcloud
+* 文件输入流：python自带内置的 open 函数
+
+### [3]其他工具
+
+对于上面的流程，我主要通过阅读相关书籍，阅读官方文档，借助搜索引擎，借助AI，观看视频等多种方式完成的。
+
+代码测试主要使用pycharm的代码分析。
+
+代码上传主要使用头歌。
+
+
+## 2.爬虫与数据处理
+
+### [1]业务逻辑
+
+
+
+### [2]代码设计过程
+
+#### (1)主要架构
+
+这个代码的主要实现部分以BilibiliSpiderApplication作为整个程序的主类，执行主流程实现所有任务。
+
+```def main():
+    #获取视频aid
+    process_urls(urls, headers)
+    print("获取视频aid完毕")
+    #将视频aid转换成cid
+    process_aid_and_cid('aid.txt', 'cid.txt', headers)
+    print("将aid转换成cid完毕，cid去重完成，结果已写回文件。")
+    #获取视频弹幕
+    fetch_danmu()
+    print("弹幕爬取完成。")
+    # 调用函数进行文件清理
+    print('开始清洗弹幕')
+    clean_file('comment.txt', 'cleaned_comment.txt')
+    print("弹幕清洗完毕")
+    #数据统计输出
+    print('开始数据统计')
+    analyze_keywords_in_comments('cleaned_comment.txt', 'keywords.txt', 'ai_technologies_count.xlsx')
+    #输出词云图
+    print("开始构建词云图")
+    generate_wordcloud('cleaned_comment.txt', 'stopwords.txt', '词云.png')
+    print("构建词云图完毕")
+if __name__ == "__main__":
+    main()
+```
+
+另一方面，为了保证代码的简洁性和遵循单一职责的原则。做了一定程度的封装。将具体操作封装到process_urls,process_aid_and_ci,fetch_danmu等函数对外提供服务。
+
+
+
+
+#### (2)完整性，可读性以及规范化
+
+**完整性**：
+
+使用if...else...语句对代码可能出现的异常进行输出；
+
+**代码的低耦合和单一职责**：
+```
+def extract_ids_from_url(url, head, output_file='aid.txt'):
+    """
+    从给定的 URL 中提取 IDs 并将其保存到指定的文件中。
+
+    参数:
+    url (str): 要请求的 URL。
+    head (dict): 请求头，用于发起 HTTP 请求。
+    output_file (str): 存储提取的 ID 的文件路径，默认为 'aid.txt'。
+    """
+    try:
+        # 发起 GET 请求
+        response = requests.get(url=url, headers=head)
+        # 确保请求成功，状态码在 200 到 299 之间
+        response.raise_for_status()
+
+        # 将响应内容解析为 JSON 格式
+        data = response.json()
+
+        # 检查响应数据是否包含 'data' 和 'result' 键
+        if 'data' in data and 'result' in data['data']:
+            items = data['data']['result']
+            # 提取每个条目的 'id' 字段
+            ids = [item['id'] for item in items]
+
+            # 以追加模式打开文件，并写入每个 ID
+            with open(output_file, 'a') as file:
+                for aid in ids:
+                    file.write(f"{aid}\n")
+
+            print(f"IDs have been saved to {output_file}")
+        else:
+            print("Unexpected response format")  # 如果响应格式不符合预期，输出提示信息
+
+    except requests.RequestException as e:
+        # 捕获并打印请求相关的错误
+        print(f"Request error: {e}")
+    except KeyError as e:
+        # 捕获并打印键错误
+        print(f"Key error: {e}")
+    except Exception as e:
+        # 捕获并打印其他类型的异常
+        print(f"An error occurred: {e}")
+
+
+def process_urls(urls1, headers1, output_file='aid.txt'):
+    """
+    遍历 URL 列表，并对每个 URL 调用 extract_ids_from_url 函数进行处理。
+
+    参数:
+    urls1 (list): 包含 URL 的列表。
+    headers1 (dict): 请求头，用于发起 HTTP 请求。
+    output_file (str): 存储提取的 ID 的文件路径，默认为 'aid.txt'。
+    """
+    for url in urls1:
+        extract_ids_from_url(url, headers1, output_file)
+```
+
+**可读性**：加入详细的注释，变量命，函数名，方法名见名知意。
+
+**规范化**：
+
+变量、函数、类命名严格遵守蛇形命名法。
+使用pycharm代码分析插件分析代码，尽量消除警告。
+
+## 3.数据统计接口部分的性能改进
+算法选择：选择合适的算法进行数据分析，避免使用复杂度过高的算法。
+数据预处理：在分析之前对数据进行预处理，减少分析时的计算量。
+
+## 4.数据结论的可靠性
+
+结论：从关键词的出现次数可以得出以下结论：
+
+观看奥运会时，用户几乎没有产生对ai应用技术方面的想法，可以认为绝大多数人对巴黎奥运会ai应用了何种技术毫不关心。
+
+**综上所述，当前B站用户主要对“AI”及相关技术在2024巴黎奥运会的应用保持极低的关注度，而对比赛精彩的讨论相对较多。** 
+
+主要通过生成的Excel数据集以及词云图，通过自己分析+ChatGPT导入文件分析，得出最终结论。
+
+## 5.数据可视化界面的展示
+
+**[1]词云图组件**：展示最受欢迎的AI相关关键词及其出现频率。词云图采用颜色和字体大小来体现关键词的热度，较大的字体和亮眼的颜色代表出现频率高的词汇。
+
+**[2]Excel文件**：展示每个关键词的具体出现次数。相比词云图，Excel表能够提供更精确的数值信息。
+
+# 三、心得体会
+**[1]. 理解 API 接口**
+了解接口文档
+B站提供了多种 API 接口来获取弹幕数据。熟悉这些接口的文档是至关重要的。API 文档通常包含了请求的 URL 格式、所需的参数以及返回的数据结构等信息。在爬取弹幕数据时，我发现了解这些细节有助于构建正确的请求，从而获取准确的数据。
+构建请求
+在构造 API 请求时，我学会了如何使用适当的参数来获取特定的视频弹幕数据。例如，视频的 cid（内容 ID）是获取弹幕的关键参数，而 date 参数可以指定具体的日期，这对于获取特定时间段的弹幕非常有用。
+**[2]. 处理反爬虫措施**
+使用合适的请求头
+B站会对频繁的请求进行限制，因此在爬取过程中，使用合适的请求头（如 User-Agent）可以帮助模拟正常的浏览器请求，减少被封禁的风险。
+**[3]. 数据处理与存储**
+清洗数据
+弹幕数据中可能包含噪声或无用的信息。在爬取数据后，需要对其进行清洗，去除无关内容，并提取出有用的信息。使用正则表达式来提取中文弹幕是一个有效的方法，但也需要对匹配的规则进行调整，以确保准确性。
+存储数据
+将弹幕数据存储到文件或数据库中时，需要考虑到数据的格式和结构。在我的实践中，我使用了文本文件来存储弹幕数据，并采用 UTF-8 编码来处理中文字符。这有助于确保数据的完整性和可读性。
+