1.在mysql中对t_movie_douban的title进行排序，注意去掉NULL
drop table t_sorted_title;
create table t_sorted_title as select title from t_movie_douban where title is not null order by convert(title using gbk);
注意判断null的方式是is null 或者is not null
2. 将排好序的title结果导出到txt文件
select * from t_sorted_title into outfile ‘E:/chs/data/movie_title_sorted.txt‘ ;
3. 观察数据分析能够代表系列的词
代表系列的词：
xxx之xxx，第x季，最终章， (美版)，冒号（冒号前的首字符串末尾的系列号），第x集，OVA，OAD，花漾季，第二部分，序曲,I,II,III等
4.判断书写系统
1）中文书写系统（含日文、韩文）
2）拉丁文书写系统（英文，俄文）
3）中英文混合（认为是中文）
5. 简单系列词的处理
我们先从比较容易识别的情况开始，先把简单的情况解决了，再解决棘手的。
简单的情况：第x季，xx之xxx，OVA（注意要大写，否则会跟某些英文title匹配，造成误判）
先从OVA开始
以下R语言代码查找所有含有OVA的title，并写入seriesOVA.txt文件
setwd(‘F:/M 2013/chs/work‘) con<-file(‘movie_title_sorted.txt‘, ‘r‘) txt<-readLines(con) series_OVA_index<-grep(‘OVA‘, txt) series_OVA<-txt[series_OVA_index] writeLines(series_OVA, ‘seriesOVA.txt‘)
共有261个结果，注意到有例外的情况（用红框圈出）
例外情况：
（OVA实际是标题的一部分）
NOVA珠穆朗玛死亡地带
兽装机攻断空我NOVA
（OVA在前面）
OVA 东京喰种トーキョーグール JACK
OVA 东京喰种トーキョーグール【PINTO】
再判断OAD:
series_OAD_index<-grep(‘OAD‘, txt) series_OAD<-txt[series_OAD_index] writeLines(series_OAD, ‘seriesOAD.txt‘)
共107条结果，如下：
例外情况：
热风海陆BUSHIROAD 通往希望的道路