Python爬取成語接龍類網(wǎng)站

更新時間：2018年10月19日 08:53:52 作者：jclian91

在本篇文章里我們給大家分享了關(guān)于Python爬取成語接龍類網(wǎng)站的相關(guān)知識點，有需要的朋友們學(xué)習(xí)下。

介紹

本文將展示如何利用Python爬蟲來實現(xiàn)詩歌接龍。

該項目的思路如下：

利用爬蟲爬取詩歌，制作詩歌語料庫；

將詩歌分句，形成字典：鍵（key）為該句首字的拼音，值（value）為該拼音對應(yīng)的詩句，并將字典保存為pickle文件；
讀取pickle文件，編寫程序，以exe文件形式運行該程序。

該項目實現(xiàn)的詩歌接龍，規(guī)則為下一句的首字與上一句的尾字的拼音（包括聲調(diào)）一致。下面將分步講述該項目的實現(xiàn)過程。

詩歌語料庫

首先，我們利用Python爬蟲來爬取詩歌，制作語料庫。爬取的網(wǎng)址為：https://www.gushiwen.org，頁面如下：

由于本文主要為試了展示該項目的思路，因此，只爬取了該頁面中的唐詩三百首、古詩三百、宋詞三百、宋詞精選，一共大約1100多首詩歌。為了加速爬蟲，采用并發(fā)實現(xiàn)爬蟲，并保存到poem.txt文件。完整的Python程序如下：

import re
import requests
from bs4 import BeautifulSoup
from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED

# 爬取的詩歌網(wǎng)址
urls = ['https://so.gushiwen.org/gushi/tangshi.aspx',
  'https://so.gushiwen.org/gushi/sanbai.aspx',
  'https://so.gushiwen.org/gushi/songsan.aspx',
  'https://so.gushiwen.org/gushi/songci.aspx'
  ]

poem_links = []
# 詩歌的網(wǎng)址
for url in urls:
 # 請求頭部
 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'}
 req = requests.get(url, headers=headers)

 soup = BeautifulSoup(req.text, "lxml")
 content = soup.find_all('div', class_="sons")[0]
 links = content.find_all('a')

 for link in links:
  poem_links.append('https://so.gushiwen.org'+link['href'])

poem_list = []
# 爬取詩歌頁面
def get_poem(url):
 #url = 'https://so.gushiwen.org/shiwenv_45c396367f59.aspx'
 # 請求頭部
 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'}
 req = requests.get(url, headers=headers)
 soup = BeautifulSoup(req.text, "lxml")
 poem = soup.find('div', class_='contson').text.strip()
 poem = poem.replace(' ', '')
 poem = re.sub(re.compile(r"\([\s\S]*?\)"), '', poem)
 poem = re.sub(re.compile(r"（[\s\S]*?）"), '', poem)
 poem = re.sub(re.compile(r"。\([\s\S]*?）"), '', poem)
 poem = poem.replace('!', '！').replace('?', '？')
 poem_list.append(poem)

# 利用并發(fā)爬取
executor = ThreadPoolExecutor(max_workers=10) # 可以自己調(diào)整max_workers,即線程的個數(shù)
# submit()的參數(shù)： 第一個為函數(shù)， 之后為該函數(shù)的傳入?yún)?shù)，允許有多個
future_tasks = [executor.submit(get_poem, url) for url in poem_links]
# 等待所有的線程完成，才進(jìn)入后續(xù)的執(zhí)行
wait(future_tasks, return_when=ALL_COMPLETED)

# 將爬取的詩句寫入txt文件
poems = list(set(poem_list))
poems = sorted(poems, key=lambda x:len(x))
for poem in poems:
 poem = poem.replace('《','').replace('》','') \
    .replace('：', '').replace('“', '')
 print(poem)
 with open('F://poem.txt', 'a') as f:
  f.write(poem)
  f.write('\n')

該程序爬取了1100多首詩歌，并將詩歌保存至poem.txt文件，形成我們的詩歌語料庫。當(dāng)然，這些詩歌并不能直接使用，需要清理數(shù)據(jù)，比如有些詩歌標(biāo)點不規(guī)范，有些并不是詩歌，只是詩歌的序等等，這個過程需要人工操作，雖然稍顯麻煩，但為了后面的詩歌分句效果，也是值得的。

詩歌分句

有了詩歌語料庫，我們需要對詩歌進(jìn)行分句，分句的標(biāo)準(zhǔn)為：按照結(jié)尾為。？！進(jìn)行分句，這可以用正則表達(dá)式實現(xiàn)。之后，將分句好的詩歌寫成字典：鍵（key）為該句首字的拼音，值（value）為該拼音對應(yīng)的詩句，并將字典保存為pickle文件。完整的Python代碼如下：

import re
import pickle
from xpinyin import Pinyin
from collections import defaultdict

def main():
 with open('F://poem.txt', 'r') as f:
  poems = f.readlines()

 sents = []
 for poem in poems:
  parts = re.findall(r'[\s\S]*?[。？！]', poem.strip())
  for part in parts:
   if len(part) >= 5:
    sents.append(part)

 poem_dict = defaultdict(list)
 for sent in sents:
  print(part)
  head = Pinyin().get_pinyin(sent, tone_marks='marks', splitter=' ').split()[0]
  poem_dict[head].append(sent)

 with open('./poemDict.pk', 'wb') as f:
  pickle.dump(poem_dict, f)

main()

我們可以看一下該pickle文件（poemDict.pk）的內(nèi)容：

當(dāng)然，一個拼音可以對應(yīng)多個詩歌。

詩歌接龍

讀取pickle文件，編寫程序，以exe文件形式運行該程序。

為了能夠在編譯形成exe文件的時候不出錯，我們需要改寫xpinyin模塊的_init_.py文件，將該文件的全部代碼復(fù)制至mypinyin.py，并將代碼中的下面這句代碼

data_path = os.path.join(os.path.dirname(os.path.abspath(__file__)),
        'Mandarin.dat')

改寫為

data_path = os.path.join(os.getcwd(), 'Mandarin.dat')

這樣我們就完成了mypinyin.py文件。

接下來，我們需要編寫詩歌接龍的代碼（Poem_Jielong.py），完整代碼如下：

import pickle
from mypinyin import Pinyin
import random
import ctypes

STD_INPUT_HANDLE = -10
STD_OUTPUT_HANDLE = -11
STD_ERROR_HANDLE = -12

FOREGROUND_DARKWHITE = 0x07 # 暗白色
FOREGROUND_BLUE = 0x09 # 藍(lán)色
FOREGROUND_GREEN = 0x0a # 綠色
FOREGROUND_SKYBLUE = 0x0b # 天藍(lán)色
FOREGROUND_RED = 0x0c # 紅色
FOREGROUND_PINK = 0x0d # 粉紅色
FOREGROUND_YELLOW = 0x0e # 黃色
FOREGROUND_WHITE = 0x0f # 白色

std_out_handle = ctypes.windll.kernel32.GetStdHandle(STD_OUTPUT_HANDLE)

# 設(shè)置CMD文字顏色
def set_cmd_text_color(color, handle=std_out_handle):
 Bool = ctypes.windll.kernel32.SetConsoleTextAttribute(handle, color)
 return Bool

# 重置文字顏色為暗白色
def resetColor():
 set_cmd_text_color(FOREGROUND_DARKWHITE)

# 在CMD中以指定顏色輸出文字
def cprint(mess, color):
 color_dict = {
     '藍(lán)色': FOREGROUND_BLUE,
     '綠色': FOREGROUND_GREEN,
     '天藍(lán)色': FOREGROUND_SKYBLUE,
     '紅色': FOREGROUND_RED,
     '粉紅色': FOREGROUND_PINK,
     '黃色': FOREGROUND_YELLOW,
     '白色': FOREGROUND_WHITE
     }
 set_cmd_text_color(color_dict[color])
 print(mess)
 resetColor()

color_list = ['藍(lán)色','綠色','天藍(lán)色','紅色','粉紅色','黃色','白色']

# 獲取字典
with open('./poemDict.pk', 'rb') as f:
 poem_dict = pickle.load(f)

#for key, value in poem_dict.items():
 #print(key, value)

MODE = str(input('Choose MODE(1 for 人工接龍, 2 for 機器接龍): '))

while True:
 try:
  if MODE == '1':
   enter = str(input('\n請輸入一句詩或一個字開始：'))
   while enter != 'exit':
    test = Pinyin().get_pinyin(enter, tone_marks='marks', splitter=' ')
    tail = test.split()[-1]
    if tail not in poem_dict.keys():
     cprint('無法接這句詩。\n', '紅色')
     MODE = 0
     break
    else:
     cprint('\n機器回復(fù)：%s'%random.sample(poem_dict[tail], 1)[0], random.sample(color_list, 1)[0])
     enter = str(input('你的回復(fù)：'))[:-1]

   MODE = 0

  if MODE == '2':
   enter = input('\n請輸入一句詩或一個字開始：')

   for i in range(10):
    test = Pinyin().get_pinyin(enter, tone_marks='marks', splitter=' ')
    tail = test.split()[-1]
    if tail not in poem_dict.keys():
     cprint('------>無法接下去了啦...', '紅色')
     MODE = 0
     break
    else:
     answer = random.sample(poem_dict[tail], 1)[0]
     cprint('（%d）--> %s' % (i+1, answer), random.sample(color_list, 1)[0])
     enter = answer[:-1]

   print('\n（*****最多展示前10回接龍。*****）')
   MODE = 0

 except Exception as err:
  print(err)
 finally:
  if MODE not in ['1','2']:
   MODE = str(input('\nChoose MODE(1 for 人工接龍, 2 for 機器接龍): '))

現(xiàn)在整個項目的結(jié)構(gòu)如下（Mandarin.dat文件從xpinyin模塊對應(yīng)的文件夾下復(fù)制過來）：