爬取唐诗宋词生成词云

2024-03-21 12:18:52

Python 高并发线程爬取诗词之诗词分析

本节所讲内容：

1、5分钟快速了解爬虫概念

2、beautifulsoup 匹配原则

3、wordcloud 使用详情

实战：爬取中国唐诗宋词，体验文人雅士最常用的词语！

1、5分钟快速了解爬虫

爬虫（spider：网络蜘蛛）:是一个用脚本代替浏览器请求服务器获取服务器资源的程序。

数据收集（数据分析、人工智能）

模拟操作（测试、数据采集）

接口操作（自动化）

爬虫的原理：

说到底，我们的爬虫是模拟web请求，不论学习什么框架我们都需要对http协议的请求和响应有所了解：

简单的了解一下这幅图。

2、beautifulsoup 匹配原则

如果一个正则匹配稍有差池，那可能程序就处在永久的循环之中，而且有的小伙伴们也对写正则表达式的写法用得不熟练，没关系，我们还有一个更强大的工具，叫Beautiful Soup，有了它我们可以很方便地提取出HTML或XML标签中的内容，实在是方便，这一节就让我们一起来感受一下Beautiful Soup的强大吧。

什么是Beautiful Soup

简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。

官方解释如下:

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

2.1 bs的安装

环境介绍： pycharm 2017.2.3 + python 3.5.0

Pip install bs4

首先必须要导入 bs4 库，创建BeautifulSoup对象

from bs4 import BeautifulSoup as BS

text = '''

<html>

<head>

    <meta = charset='UTF-8' >

    <title id =1 href = 'http://example.com/elsie' class = 'title'>Test</title>

</head>

<body>

   <div class = 'ok'>

       <div class = 'nice'>

           <p class = 'p'>

               Hello World

           </p>

            <p class = 'e'>

               风一般的男人

           </p>

       </div>

   </div>

</body> 

</html>

'''

soup = BS(text,"lxml")#前面是要解析的内容，后面是指定的解析器
print(soup.prettify())#转换字符串
print(type(soup.prettify()))

print(type(soup))

2.2.2 搜索文档树

find()和find_all()

find_all()方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件。

find（）和find_all()的区别就是，find直接返回元素的一个结果，find_all返回元素列表

find_all( name , attrs , recursive , text , **kwargs )简介一下参数

name 参数可以查找所有名字为name的tag,字符串对象会被自动忽略掉；name参数可以传入字符串、正则表达式、列表、True、自定义的方法等但是各自代表的含义不一样。

字符串，在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容。

print(soup.find('body'))
print(soup.find_all('body')

如果匹配成功将会匹配所有的tag

如果一个指定名字的参数不是搜索内置的一些参数名,搜索时会把该参数当作指定名字tag的属性来

搜索;例如id=1

如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性；

如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性；

使用多个指定名字的参数可以同时过滤tag的多个属性；

对于class ，可以使用class_来搜索

#返回这个class=‘p’的标签内容。

print(soup.find_all('p',class_='p'))

对于某些tag属性不能通过搜索得到值，可以使用attrs参数得到

#返回class为e的标签

print(soup.find_all(attrs={'class':'e'}))

3、wordcloud 使用详情

wordcloud 简单利用英语来看就是词云，它是以词语为基本单位，更加直观的展示出我们的内容。

wordcloud 的安装

pip install wordcloud

大家顺便安装下：pip install jieba

1、基本格式

#导入词云
from wordcloud import WordCloud
#打开文件并且读取完全
f = open('1.txt','r').read()
#创建wc设个实例对象，里面可传递相应的参数
#generate根据文本生成词云
wc = WordCloud(

    background_color='white',

    width=500,

    height=366,

    margin=2
).generate(f)
#to_file 输出到文件
wc.to_file('./image/0.jpg')

3、wordcloud 使用详情

wordcloud 简单利用英语来看就是词云，它是以词语为基本单位，更加直观的展示出我们的内容。

wordcloud 的安装

pip install wordcloud

大家顺便安装下：pip install jieba

1、基本格式

#导入词云
from wordcloud import WordCloud
#打开文件并且读取完全
f = open('1.txt','r').read()
#创建wc设个实例对象，里面可传递相应的参数
#generate根据文本生成词云
wc = WordCloud(

    background_color='white',

    width=500,

    height=366,

    margin=2
).generate(f)
#to_file 输出到文件
wc.to_file('./image/0.jpg')

实战：爬取中国唐诗宋词，体验文人雅士最常用的词语！

第一步:下载中国的唐诗宋词

第二步：把数据保存到本地

第三步：结巴分词

第四步：生成词云简单分析

代码如下：

下载唐诗宋词保存本地

# -*- coding: utf-8 -*-
# @Time    : 2019/2/25 10:23
# @Author : for
# @File    : test01.py
# @Software: PyCharm
import re
import requests
from bs4 import BeautifulSoup
from fake_useragent import UserAgent
from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED
#这是url地址
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'
        ]
#处理获取每个诗词的url地址
poem_links = []
for url in urls:
    # 请求头部
    ua = UserAgent()
    headers = {'User-Agent': ua.random}
    req = requests.get(url, headers=headers)
    #把爬取到的文本格式改成bs4可改变的格式
    soup = BeautifulSoup(req.text, "lxml")
    #定位到第一个class = sone的内容
    content = soup.find_all('div', class_="sons")[0]
    #获取该content 下所有a标签
    links = content.find_all('a')
    print(links)
    #进行比遍历，url地址拼接
    for link in links:
        poem_links.append('https://so.gushiwen.org'+link['href'])

poem_list = []
def get_poem(url):
    # 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))
print(poems)
for poem in poems:
    poem = poem.replace('《','').replace('》','').replace('：', '').replace('“', '')
    print(poem)
    with open('poem.txt', 'a',encoding='utf-8') as f:
        f.write(poem)
        f.write('\n')

结果展示：

生成词云进行分析：
import jieba
from wordcloud import WordCloud,STOPWORDS
wc = WordCloud(background_color='white', # 背景颜色
               max_words=1000, # 最大词数
               # mask=back_color, # 以该参数值作图绘制词云，这个参数不为空时，width和height会被忽略
               max_font_size=100, # 显示字体的最大值
               stopwords=STOPWORDS.add('国'), # 使用内置的屏蔽词，再添加'苟利国'
               # font_path="C:/Windows/Fonts/STFANGSO.ttf", # 解决显示口字型乱码问题，可进入C:/Windows/Fonts/目录更换字体
               font_path='C:\Windows\Fonts\simfang.ttf',
               random_state=42, # 为每个词返回一个PIL颜色
               # width=1000, # 图片的宽
               # height=860 #图片的长
               )
text = open('poem.txt').read()
# 该函数的作用就是把屏蔽词去掉，使用这个函数就不用在WordCloud参数中添加stopwords参数了
# 把你需要屏蔽的词全部放入一个stopwords文本文件里即可
def stop_words(texts):
    words_list = []
    word_generator = jieba.cut(texts, cut_all=False) # 返回的是一个迭代器
    for word in word_generator:
        words_list.append(word)
    print(words_list)
    return ' '.join(words_list) # 注意是空格
text = stop_words(text)
wc.generate(text)
# 显示图片
wc.to_file('maikou.png')

效果展示

码农公寓

2.2.2 搜索文档树

相关文章