Python爬取成语接龙类网站

2020-01-04 14:18:37

字体：大中小

来源：转载

供稿：网友

介绍

本文将展示如何利用Python爬虫来实现诗歌接龙。

该项目的思路如下：

利用爬虫爬取诗歌，制作诗歌语料库；

将诗歌分句，形成字典：键（key）为该句首字的拼音，值（value）为该拼音对应的诗句，并将字典保存为pickle文件；
读取pickle文件，编写程序，以exe文件形式运行该程序。

该项目实现的诗歌接龙，规则为下一句的首字与上一句的尾字的拼音（包括声调）一致。下面将分步讲述该项目的实现过程。

诗歌语料库

首先，我们利用Python爬虫来爬取诗歌，制作语料库。爬取的网址为：https://www.gushiwen.org，页面如下：

Python,爬取,成语接龙,网站

由于本文主要为试了展示该项目的思路，因此，只爬取了该页面中的唐诗三百首、古诗三百、宋词三百、宋词精选，一共大约1100多首诗歌。为了加速爬虫，采用并发实现爬虫，并保存到poem.txt文件。完整的Python程序如下：

import reimport requestsfrom bs4 import BeautifulSoupfrom concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED# 爬取的诗歌网址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 = []# 诗歌的网址for url in urls: # 请求头部 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 = []# 爬取诗歌页面def get_poem(url): #url = 'https://so.gushiwen.org/shiwenv_45c396367f59.aspx' # 请求头部 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)# 利用并发爬取executor = ThreadPoolExecutor(max_workers=10) # 可以自己调整max_workers,即线程的个数# submit()的参数： 第一个为函数， 之后为该函数的传入参数，允许有多个future_tasks = [executor.submit(get_poem, url) for url in poem_links]# 等待所有的线程完成，才进入后续的执行wait(future_tasks, return_when=ALL_COMPLETED)# 将爬取的诗句写入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')

该程序爬取了1100多首诗歌，并将诗歌保存至poem.txt文件，形成我们的诗歌语料库。当然，这些诗歌并不能直接使用，需要清理数据，比如有些诗歌标点不规范，有些并不是诗歌，只是诗歌的序等等，这个过程需要人工操作，虽然稍显麻烦，但为了后面的诗歌分句效果，也是值得的。

诗歌分句

有了诗歌语料库，我们需要对诗歌进行分句，分句的标准为：按照结尾为。？！进行分句，这可以用正则表达式实现。之后，将分句好的诗歌写成字典：键（key）为该句首字的拼音，值（value）为该拼音对应的诗句，并将字典保存为pickle文件。完整的Python代码如下：

import reimport picklefrom xpinyin import Pinyinfrom collections import defaultdictdef 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()

我们可以看一下该pickle文件（poemDict.pk）的内容：

Python,爬取,成语接龙,网站

当然，一个拼音可以对应多个诗歌。

诗歌接龙

读取pickle文件，编写程序，以exe文件形式运行该程序。

为了能够在编译形成exe文件的时候不出错，我们需要改写xpinyin模块的_init_.py文件，将该文件的全部代码复制至mypinyin.py，并将代码中的下面这句代码

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

改写为

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

这样我们就完成了mypinyin.py文件。

接下来，我们需要编写诗歌接龙的代码（Poem_Jielong.py），完整代码如下：

import picklefrom mypinyin import Pinyinimport randomimport ctypesSTD_INPUT_HANDLE = -10STD_OUTPUT_HANDLE = -11STD_ERROR_HANDLE = -12FOREGROUND_DARKWHITE = 0x07 # 暗白色FOREGROUND_BLUE = 0x09 # 蓝色FOREGROUND_GREEN = 0x0a # 绿色FOREGROUND_SKYBLUE = 0x0b # 天蓝色FOREGROUND_RED = 0x0c # 红色FOREGROUND_PINK = 0x0d # 粉红色FOREGROUND_YELLOW = 0x0e # 黄色FOREGROUND_WHITE = 0x0f # 白色std_out_handle = ctypes.windll.kernel32.GetStdHandle(STD_OUTPUT_HANDLE)# 设置CMD文字颜色def set_cmd_text_color(color, handle=std_out_handle): Bool = ctypes.windll.kernel32.SetConsoleTextAttribute(handle, color) return Bool# 重置文字颜色为暗白色def resetColor(): set_cmd_text_color(FOREGROUND_DARKWHITE)# 在CMD中以指定颜色输出文字def cprint(mess, color): color_dict = {     '蓝色': FOREGROUND_BLUE,     '绿色': FOREGROUND_GREEN,     '天蓝色': FOREGROUND_SKYBLUE,     '红色': FOREGROUND_RED,     '粉红色': FOREGROUND_PINK,     '黄色': FOREGROUND_YELLOW,     '白色': FOREGROUND_WHITE     } set_cmd_text_color(color_dict[color]) print(mess) resetColor()color_list = ['蓝色','绿色','天蓝色','红色','粉红色','黄色','白色']# 获取字典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 人工接龙, 2 for 机器接龙): '))while True: try:  if MODE == '1':   enter = str(input('/n请输入一句诗或一个字开始：'))   while enter != 'exit':    test = Pinyin().get_pinyin(enter, tone_marks='marks', splitter=' ')    tail = test.split()[-1]    if tail not in poem_dict.keys():     cprint('无法接这句诗。/n', '红色')     MODE = 0     break    else:     cprint('/n机器回复：%s'%random.sample(poem_dict[tail], 1)[0], random.sample(color_list, 1)[0])     enter = str(input('你的回复：'))[:-1]   MODE = 0  if MODE == '2':   enter = input('/n请输入一句诗或一个字开始：')   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('------>无法接下去了啦...', '红色')     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回接龙。*****）')   MODE = 0 except Exception as err:  print(err) finally:  if MODE not in ['1','2']:   MODE = str(input('/nChoose MODE(1 for 人工接龙, 2 for 机器接龙): '))

现在整个项目的结构如下（Mandarin.dat文件从xpinyin模块对应的文件夹下复制过来）：

Python,爬取,成语接龙,网站