本文將和大家分享一些從互聯(lián)網(wǎng)上爬取語料的經(jīng)驗(yàn)。

0x1 工具準(zhǔn)備

工欲善其事必先利其器，爬取語料的根基便是基于python。

我們基于python3進(jìn)行開發(fā)，主要使用以下幾個(gè)模塊：requests、lxml、json。

簡單介紹一個(gè)各模塊的功能

01｜requests

requests是一個(gè)Python第三方庫，處理URL資源特別方便。它的官方文檔上寫著大大口號(hào)：HTTP for Humans(為人類使用HTTP而生)。相比python自帶的urllib使用體驗(yàn)，筆者認(rèn)為requests的使用體驗(yàn)比urllib高了一個(gè)數(shù)量級(jí)。

我們簡單的比較一下：

urllib:

 import urllib2
 import urllib
 URL_GET = "https://api.douban.com/v2/event/list"
 #構(gòu)建請求參數(shù)
 params = urllib.urlencode({'loc':'108288','day_type':'weekend','type':'exhibition'})
 #發(fā)送請求
 response = urllib2.urlopen('?'.join([URL_GET,'%s'])%params)
#Response Headers
print(response.info())
#Response Code
print(response.getcode())
#Response Body
print(response.read())

requests：

import requests
 URL_GET = "https://api.douban.com/v2/event/list"
 #構(gòu)建請求參數(shù)
 params = {'loc':'108288','day_type':'weekend','type':'exhibition'}

 #發(fā)送請求
 response = requests.get(URL_GET,params=params)
 #Response Headers
print(response.headers)
#Response Code
print(response.status_code)
#Response Body
print(response.text)

我們可以發(fā)現(xiàn)，這兩種庫還是有一些區(qū)別的：

1. 參數(shù)的構(gòu)建：urllib需要對參數(shù)進(jìn)行urlencode編碼處理，比較麻煩；requests無需額外編碼處理，十分簡潔。

2. 請求發(fā)送：urllib需要額外對url參數(shù)進(jìn)行構(gòu)造，變?yōu)榉弦蟮男问?；requests則簡明很多，直接get對應(yīng)鏈接與參數(shù)。

3. 連接方式：看一下返回?cái)?shù)據(jù)的頭信息的“connection”，使用urllib庫時(shí)，"connection":"close"，說明每次請求結(jié)束關(guān)掉socket通道，而使用requests庫使用了urllib3，多次請求重復(fù)使用一個(gè)socket，"connection":"keep-alive"，說明多次請求使用一個(gè)連接，消耗更少的資源

4. 編碼方式：requests庫的編碼方式Accept-Encoding更全，在此不做舉例

綜上所訴，使用requests更為簡明、易懂，極大的方便我們開發(fā)。

02｜lxml

BeautifulSoup是一個(gè)庫，而XPath是一種技術(shù)，python中最常用的XPath庫是lxml。

當(dāng)我們拿到requests返回的頁面后，我們怎么拿到想要的數(shù)據(jù)呢？這個(gè)時(shí)候祭出lxml這強(qiáng)大的HTML/XML解析工具。python從不缺解析庫，那么我們?yōu)槭裁匆诒姸鄮炖镞x擇lxml呢？我們選擇另一款出名的HTML解析庫BeautifulSoup來進(jìn)行對比。

我們簡單的比較一下：

BeautifulSoup:

from bs4 import BeautifulSoup #導(dǎo)入庫
# 假設(shè)html是需要被解析的html
#將html傳入BeautifulSoup 的構(gòu)造方法,得到一個(gè)文檔的對象
soup = BeautifulSoup(html,'html.parser',from_encoding='utf-8')
#查找所有的h4標(biāo)簽 
links = soup.find_all("h4")

lxml:

from lxml import etree
# 假設(shè)html是需要被解析的html
#將html傳入etree 的構(gòu)造方法,得到一個(gè)文檔的對象
root = etree.HTML(html)
#查找所有的h4標(biāo)簽 
links = root.xpath("http://h4")

我們可以發(fā)現(xiàn)，這兩種庫還是有一些區(qū)別的：

1. 解析html: BeautifulSoup的解析方式和JQ的寫法類似，API非常人性化，支持css選擇器；lxml的語法有一定的學(xué)習(xí)成本

2. 性能：BeautifulSoup是基于DOM的，會(huì)載入整個(gè)文檔，解析整個(gè)DOM樹，因此時(shí)間和內(nèi)存開銷都會(huì)大很多；而lxml只會(huì)局部遍歷，另外lxml是用c寫的，而BeautifulSoup是用python寫的，明顯的性能上lxml>>BeautifulSoup。

綜上所訴，使用BeautifulSoup更為簡明、易用，lxml雖然有一定學(xué)習(xí)成本，但總體也很簡明易懂，最重要的是它基于C編寫，速度快很多，對于筆者這種強(qiáng)迫癥，自然而然就選lxml啦。

03｜json

python自帶json庫，對于基礎(chǔ)的json的處理，自帶庫完全足夠。但是如果你想更偷懶，可以使用第三方j(luò)son庫，常見的有demjson、simplejson。

這兩種庫，無論是import模塊速度，還是編碼、解碼速度，都是simplejson更勝一籌，再加上兼容性 simplejson 更好。所以大家如果想使用方庫，可以使用simplejson。

0x2 確定語料源

將武器準(zhǔn)備好之后，接下來就需要確定爬取方向。

以電競類語料為例，現(xiàn)在我們要爬電競類相關(guān)語料。大家熟悉的電競平臺(tái)有企鵝電競、企鵝電競和企鵝電競(斜眼)，所以我們以企鵝電競上直播的游戲作為數(shù)據(jù)源進(jìn)行爬取。

我們登陸企鵝電競官網(wǎng)，進(jìn)入游戲列表頁，可以發(fā)現(xiàn)頁面上有很多游戲，通過人工去寫這些游戲名收益明顯不高，于是我們就開始我們爬蟲的第一步：游戲列表爬取。

import requests
 from lxml import etree
 # 更新游戲列表
 def _updateGameList():
   # 發(fā)送HTTP請求時(shí)的HEAD信息，用于偽裝為瀏覽器
   heads = { 
    'Connection': 'Keep-Alive',
    'Accept': 'text/html, application/xhtml+xml, */*',
    'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',
    'Accept-Encoding': 'gzip, deflate',
    'User-Agent': 'Mozilla/6.1 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko'
  }
  # 需要爬取的游戲列表頁
  url = 'https://egame.qq.com/gamelist'
  # 不壓縮html，最大鏈接時(shí)間為10妙
  res = requests.get(url, headers=heads, verify=False, timeout=10)
  # 為防止出錯(cuò)，編碼utf-8
  res.encoding = 'utf-8'
  # 將html構(gòu)建為Xpath模式
  root = etree.HTML(res.content)
  # 使用Xpath語法，獲取游戲名
  gameList = root.xpath("http://ul[@class='livelist-mod']//li//p//text()")
  # 輸出爬到的游戲名
  print(gameList)

當(dāng)我們拿到這幾十個(gè)游戲名后，下一步就是對這幾十款游戲進(jìn)行語料爬取，這時(shí)候問題就來了，我們要從哪個(gè)網(wǎng)站來爬這幾十個(gè)游戲的攻略呢，taptap?多玩？17173？在對這幾個(gè)網(wǎng)站進(jìn)行分析后，發(fā)現(xiàn)這些網(wǎng)站僅有一些熱門游戲的文章語料，一些冷門或者低熱度的游戲，例如“靈魂籌碼”、“奇跡：覺醒”、“死神來了”等，很難在這些網(wǎng)站上找到大量文章語料，如圖所示：

我們可以發(fā)現(xiàn)，“ 奇跡：覺醒”、“靈魂籌碼”的文章語料特別少，數(shù)量上不符合我們的要求。 那么有沒有一個(gè)比較通用的資源站，它擁有著無比豐富的文章語料，可以滿足我們的需求。

其實(shí)靜下心來想想，這個(gè)資源站我們天天都有用到，那就是百度。我們在百度新聞搜索相關(guān)游戲，拿到搜索結(jié)果列表，這些列表的鏈接的網(wǎng)頁內(nèi)容幾乎都與搜索結(jié)果強(qiáng)相關(guān)，這樣我們數(shù)據(jù)源不夠豐富的問題便輕松解決了。但是此時(shí)出現(xiàn)了一個(gè)新的問題，并且是一個(gè)比較難解決的問題——如何抓取到任意網(wǎng)頁的文章內(nèi)容？

因?yàn)椴煌木W(wǎng)站都有不同的頁面結(jié)構(gòu)，我們無法與預(yù)知將會(huì)爬到哪個(gè)網(wǎng)站的數(shù)據(jù)，并且我們也不可能針對每一個(gè)網(wǎng)站都去寫一套爬蟲，那樣的工作量簡直難以想象！但是我們也不能簡單粗暴的將頁面中的所有文字都爬下來，用那樣的語料來進(jìn)行訓(xùn)練無疑是噩夢！

經(jīng)過與各個(gè)網(wǎng)站斗智斗勇、查詢資料與思索之后，終于找到一條比較通用的方案，下面為大家講一講筆者的思路。

0x3 任意網(wǎng)站的文章語料爬取

01｜提取方法

1）基于Dom樹正文提取

2）基于網(wǎng)頁分割找正文塊

3）基于標(biāo)記窗的正文提取

4）基于數(shù)據(jù)挖掘或機(jī)器學(xué)習(xí)

5）基于行塊分布函數(shù)正文提取

02｜提取原理

大家看到這幾種是不是都有點(diǎn)疑惑了，它們到底是怎么提取的呢？讓筆者慢慢道來。

1）基于Dom樹的正文提取：

這一種方法主要是通過比較規(guī)范的HTML建立Dom樹，然后地柜遍歷Dom，比較并識(shí)別各種非正文信息，包括廣告、鏈接和非重要節(jié)點(diǎn)信息，將非正文信息抽離之后，余下來的自然就是正文信息。

但是這種方法有兩個(gè)問題

① 特別依賴于HTML的良好結(jié)構(gòu)，如果我們爬取到一個(gè)不按W3c規(guī)范的編寫的網(wǎng)頁時(shí)，這種方法便不是很適用。

② 樹的建立和遍歷時(shí)間復(fù)雜度、空間復(fù)雜度都較高，樹的遍歷方法也因HTML標(biāo)簽會(huì)有不同的差異。

2) 基于網(wǎng)頁分割找正文塊 ：

這一種方法是利用HTML標(biāo)簽中的分割線以及一些視覺信息（如文字顏色、字體大小、文字信息等）。

這種方法存在一個(gè)問題：

① 不同的網(wǎng)站HTML風(fēng)格迥異，分割沒有辦法統(tǒng)一，無法保證通用性。

3) 基于標(biāo)記窗的正文提取：

先科普一個(gè)概念——標(biāo)記窗，我們將兩個(gè)標(biāo)簽以及其內(nèi)部包含的文本合在一起成為一個(gè)標(biāo)記窗（比如 <h1>我是h1</h1> 中的“我是h1”就是標(biāo)記窗內(nèi)容）,取出標(biāo)記窗的文字。

這種方法先取文章標(biāo)題、HTML中所有的標(biāo)記窗，在對其進(jìn)行分詞。然后計(jì)算標(biāo)題的序列與標(biāo)記窗文本序列的詞語距離L，如果L小于一個(gè)閾值，則認(rèn)為此標(biāo)記窗內(nèi)的文本是正文。

這種方法雖然看上去挺好，但其實(shí)也是存在問題的：

① 需要對頁面中的所有文本進(jìn)行分詞，效率不高。

② 詞語距離的閾值難以確定，不同的文章?lián)碛胁煌拈撝怠?/p>

4）基于數(shù)據(jù)挖掘或機(jī)器學(xué)習(xí)

使用大數(shù)據(jù)進(jìn)行訓(xùn)練，讓機(jī)器提取主文本。

這種方法肯定是極好的，但是它需要先有html與正文數(shù)據(jù)，然后進(jìn)行訓(xùn)練。我們在此不進(jìn)行探討。

5）基于行塊分布函數(shù)正文提取

對于任意一個(gè)網(wǎng)頁，它的正文和標(biāo)簽總是雜糅在一起。此方法的核心有亮點(diǎn)：① 正文區(qū)的密度；② 行塊的長度；一個(gè)網(wǎng)頁的正文區(qū)域肯定是文字信息分布最密集的區(qū)域之一，這個(gè)區(qū)域可能最大（評(píng)論信息長、正文較短），所以同時(shí)引進(jìn)行塊長度進(jìn)行判斷。

實(shí)現(xiàn)思路：

① 我們先將HTML去標(biāo)簽，只留所有正文，同時(shí)留下標(biāo)簽取出后的所有空白位置信息，我們稱其為Ctext；

② 對每一個(gè)Ctext取周圍k行(k<5)，合起來稱為Cblock；

③ 對Cblock去掉所有空白符，其文字總長度稱為Clen；

④ 以Ctext為橫坐標(biāo)軸，以各行的Clen為縱軸，建立坐標(biāo)系。

以這個(gè)網(wǎng)頁為例： http://www.gov.cn/ldhd/2009-11/08/content_1459564.htm   該網(wǎng)頁的正文區(qū)域?yàn)?45行至182行。

由上圖可知，正確的文本區(qū)域全都是分布函數(shù)圖上含有最值且連續(xù)的一個(gè)區(qū)域，這個(gè)區(qū)域往往含有一個(gè)驟升點(diǎn)和一個(gè)驟降點(diǎn)。因此，網(wǎng)頁正文抽取問題轉(zhuǎn)化為了求行塊分布函數(shù)上的驟升點(diǎn)和驟降點(diǎn)兩個(gè)邊界點(diǎn)，這兩個(gè)邊界點(diǎn)所含的區(qū)域包含了當(dāng)前網(wǎng)頁的行塊長度最大值并且是連續(xù)的。

經(jīng)過大量實(shí)驗(yàn)，證明此方法對于中文網(wǎng)頁的正文提取有較高的準(zhǔn)確度,此算法的優(yōu)點(diǎn)在于，行塊函數(shù)不依賴與HTML代碼，與HTML標(biāo)簽無關(guān)，實(shí)現(xiàn)簡單，準(zhǔn)確率較高。

主要邏輯代碼如下：

# 假設(shè)content為已經(jīng)拿到的html
 # Ctext取周圍k行(k<5),定為3
 blocksWidth = 3
 # 每一個(gè)Cblock的長度
 Ctext_len = []
 # Ctext
 lines = content.split('n')
 # 去空格
for i in range(len(lines)):
  if lines[i] == ' ' or lines[i] == 'n':
    lines[i] = ''
# 計(jì)算縱坐標(biāo)，每一個(gè)Ctext的長度
for i in range(0, len(lines) - blocksWidth):
  wordsNum = 0
  for j in range(i, i + blocksWidth):
    lines[j] = lines[j].replace("\s", "")
    wordsNum += len(lines[j])
  Ctext_len.append(wordsNum)
# 開始標(biāo)識(shí)
start = -1
# 結(jié)束標(biāo)識(shí)
end = -1
# 是否開始標(biāo)識(shí)
boolstart = False
# 是否結(jié)束標(biāo)識(shí)
boolend = False
# 行塊的長度閾值
max_text_len = 88
# 文章主內(nèi)容
main_text = []
# 沒有分割出Ctext
if len(Ctext_len) < 3:
  return '沒有正文'
for i in range(len(Ctext_len) - 3):
  # 如果高于這個(gè)閾值
  if(Ctext_len[i] > max_text_len and (not boolstart)):
    # Cblock下面3個(gè)都不為0，認(rèn)為是正文
    if (Ctext_len[i + 1] != 0 or Ctext_len[i + 2] != 0 or Ctext_len[i + 3] != 0):
      boolstart = True
      start = i
      continue
  if (boolstart):
    # Cblock下面3個(gè)中有0，則結(jié)束
    if (Ctext_len[i] == 0 or Ctext_len[i + 1] == 0):
      end = i
      boolend = True
  tmp = []
  # 判斷下面還有沒有正文
  if(boolend):
    for ii in range(start, end + 1):
      if(len(lines[ii]) < 5):
        continue
      tmp.append(lines[ii] + "n")
    str = "".join(list(tmp))
    # 去掉版權(quán)信息
    if ("Copyright" in str or "版權(quán)所有" in str):
      continue
    main_text.append(str)
    boolstart = boolend = False
# 返回主內(nèi)容
result = "".join(list(main_text))

0x4 結(jié)語

至此我們就可以獲取任意內(nèi)容的文章語料了，但這僅僅是開始，獲取到了這些語料后我們還需要在一次進(jìn)行清洗、分詞、詞性標(biāo)注等，才能獲得真正可以使用的語料。

總結(jié)

以上所述是小編給大家介紹的用python3教你任意Html主內(nèi)容提取功能，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！

最新評(píng)論