欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python正則表達(dá)式抓取成語網(wǎng)站

 更新時(shí)間:2013年11月20日 10:13:40   作者:  
做NLPproject時(shí)需要一個(gè)成語庫,我需要的是純成語,網(wǎng)上找的都是有詳細(xì)解釋的。于是自己寫了一個(gè)爬成語的python程序

1、首先找到一個(gè)在線成語網(wǎng)站

2、查看網(wǎng)頁結(jié)構(gòu),定義正則式

看一下要抓的成語的標(biāo)簽有什么特點(diǎn),查看源碼,可以發(fā)現(xiàn)要抓的成語都在<a>標(biāo)簽中,如:<a href="/cy0/93.html">安如磐石</a>,成語事實(shí)上就是一個(gè)瞄文本,不同成語指向的鏈接不同,其實(shí)也就"/cy0/93.html"中的數(shù)字不同,所以正則式里匹配兩次數(shù)字就行了,定義正則式 reg =   "<a href=\"/cy(\d+)/(\d+).html\">(.*?)</a>"。
3、上代碼吧

復(fù)制代碼 代碼如下:

#anthor jiqunpeng
#time 20121124
import urllib
import re

def getHtml(url): #從URL中讀取html內(nèi)容
    page = urllib.urlopen(url)
    html = page.read()
    page.close()
    return html

def getDictionary(html): #匹配成語
    reg = "<a href=\"/cy(\d+)/(\d+).html\">(.*?)</a>"  
    dicList = re.compile(reg).findall(html)
    return dicList

def getItemSite():#手工把每個(gè)字母開頭的頁面數(shù)統(tǒng)計(jì)下來
    itemSite = {}#申明為空字典
    itemSite["A"] = 3
    itemSite["B"] = 21
    itemSite["C"] = 19
    itemSite["D"] = 18
    itemSite["E"] = 2
    itemSite["F"] = 14
    itemSite["G"] = 13
    itemSite["H"] = 15
    itemSite["J"] = 23
    itemSite["K"] = 6
    itemSite["L"] = 15
    itemSite["M"] = 12
    itemSite["N"] = 5
    itemSite["O"] = 1
    itemSite["P"] = 6
    itemSite["Q"] = 16
    itemSite["R"] = 8
    itemSite["S"] = 26
    itemSite["T"] = 12
    itemSite["W"] = 13
    itemSite["X"] = 16
    itemSite["Y"] = 35
    itemSite["A"] = 21
    return itemSite
   

if __name__== "__main__":
    dicFile = open("dic.txt","w+")#保存成語的文件
    domainsite = "http://chengyu.itlearner.com/list/"
    itemSite = getItemSite()
    for key,values in itemSite.items():
        for index in range(1,values+1):
            site = key +"_"+str(index)+".html"             
            dictionary = getDictionary(getHtml(domainsite+site))
            for dic in dictionary:
                dicFile.write(dic[2]+"@@CY\n")#標(biāo)記為成語,分詞時(shí)使用
        print key+'字母成語抓取完畢'       
    dicFile.close()   
    print '全部成語抓取完畢'

把成語保存在了txt文本中,還添加了一個(gè)后綴標(biāo)簽。
最后注意,設(shè)計(jì)正則表達(dá)式時(shí)可能會(huì)出現(xiàn)明明認(rèn)為是正確的,就是匹配不了,對空白字符要留意,比如說要解析:

復(fù)制代碼 代碼如下:

<div class="avatar_name">

                <a href="/u/kkun/" title="kkun">kkun</a>

            </div>

你看不出第一行與第二行的空白字符是什么,可以index = html.find('avatar_name'),html[4677:4677+100]看到非空白字符。

相關(guān)文章

  • Python進(jìn)制轉(zhuǎn)換用法詳解

    Python進(jìn)制轉(zhuǎn)換用法詳解

    大家好,本篇文章主要講的是Python進(jìn)制轉(zhuǎn)換用法詳解,感興趣的同學(xué)趕快來看一看吧,對你有幫助的話記得收藏一下
    2022-01-01
  • python中文分詞+詞頻統(tǒng)計(jì)的實(shí)現(xiàn)步驟

    python中文分詞+詞頻統(tǒng)計(jì)的實(shí)現(xiàn)步驟

    詞頻統(tǒng)計(jì)就是輸入一段句子或者一篇文章,然后統(tǒng)計(jì)句子中每個(gè)單詞出現(xiàn)的次數(shù),下面這篇文章主要給大家介紹了關(guān)于python中文分詞+詞頻統(tǒng)計(jì)的相關(guān)資料,需要的朋友可以參考下
    2022-06-06
  • python 找出list中最大或者最小幾個(gè)數(shù)的索引方法

    python 找出list中最大或者最小幾個(gè)數(shù)的索引方法

    今天小編就為大家分享一篇python 找出list中最大或者最小幾個(gè)數(shù)的索引方法,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2018-10-10
  • 詳解Python如何優(yōu)雅地解析命令行

    詳解Python如何優(yōu)雅地解析命令行

    隨著我們編程經(jīng)驗(yàn)的增長,對命令行的熟悉程度日漸加深,想來很多人會(huì)漸漸地體會(huì)到使用命令行帶來的高效率。本文將介紹Python解析命令行的兩種方法,需要的可以參考一下
    2022-06-06
  • 解決pycharm中的run和debug失效無法點(diǎn)擊運(yùn)行

    解決pycharm中的run和debug失效無法點(diǎn)擊運(yùn)行

    這篇文章主要介紹了解決pycharm中的run和debug失效無法點(diǎn)擊運(yùn)行方式,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-06-06
  • python flask sqlalchemy連接數(shù)據(jù)庫流程介紹

    python flask sqlalchemy連接數(shù)據(jù)庫流程介紹

    這篇文章主要介紹了python flask sqlalchemy連接數(shù)據(jù)庫流程,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2022-09-09
  • 最新評論