小度太弱了，干脆自己开发个对话机器人爬虫，数据库，面向对象，人工智能

Posted 程序员笑武

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了小度太弱了，干脆自己开发个对话机器人爬虫，数据库，面向对象，人工智能相关的知识，希望对你有一定的参考价值。

背景


当我慢慢的开在高速公路上，宽敞的马路非常的拥挤！这时候我喜欢让百度导航的小度给我讲笑话，但她有点弱，每次只能讲一个。

百度号称要发力人工智能，成为国内人工智能的领军企业。但从小度的智商和理解能力上，我对此非常怀疑。

所以我们干脆用Python来开发一个可以讲笑话的机器人，可以自由定制功能，想讲几个笑话就讲几个笑话。

用到的技术

本文用到以下技术：

  • 爬虫 - 抓取笑话
  • 数据库 - 用sqlite保存笑话
  • 面向对象 - 封装joke对象
  • 模块 - 代码分模块放在多个文件中
  • 语音识别 - 识别用户输入的语音，把笑话转换成语音
  • GUI - 开发简单的用户界面
  • 打包 - 把程序打包成可执行文件

主要流程

代码模块

为了代码结构清晰，方便维护，我们把代码放到了多个py文件中，每个文件各司其职。

本程序共包括一下几个代码模块：

  • joke.py - 笑话对象，被多个模块共用
  • joke_crawler.py - 笑话爬虫
  • joke_db.py - 处理数据库相关，保存笑话，查询笑话等
  • joke_ui.py - 用户界面模块
  • joke_audio.py - 处理和语音相关的任务 和2个非代码结构：
  • joke_audio - 存放语音文件的文件夹
  • jokeDB.db - sqlite3数据库文件

现在开始写代码，请先创建一个文件夹，建议取名为myjoke。后面所有的代码都在这个文件夹中。

Joke对象

我们使用面向对象的编程思想，创建一个叫做Joke的类，来表示一个笑话。

用了Joke类，代码更清晰，数据传输也更方便。Joke类会被所有其他的模块用到。

创建一个名为joke.py的文件

代码如下：

class Joke:
    '''
    表示一个笑话。
    其中title是笑话标题，detail是笑话内容
    url是笑话的采集网址，通过url判定笑话是否重复，防止保存重复笑话
    id是数据库生成的唯一标识符，刚刚采集下来的笑话是没有id的，所以id可以为空
    '''
    def __init__(self, title, detail, url, id=None):
        self.title = title
        self.detail = detail
        self.url = url
        self.id = id

    def __str__(self):
        '''
        有了这个方法，print(joke)会把笑话打印成下面格式的字符串，否则只会打印对象的内存地址
        '''
        return f'id-title\\ndetail\\nurl'

这个类中只有两个魔术方法，一个是构造函数__init__，一个是__str__。

爬虫抓取笑话

分析网页结构

我们要抓取的网址是这个：http://xiaohua.zol.com.cn/detail1/1.html 我们要抓的数据点有三个：

在谷歌浏览器中，右键点击检查，就可以在下面看到网页的代码结构：

  • 1.用鼠标点击1的按钮
  • 2.然后把鼠标移到2的地方
  • 3.就可以看到成功这两个字在网页中的结构。

通过分析这个结构，我们可以得出：成功这两个字是在一个h1结构内，这个h1的class是article-title，因为可以使用这个特征提取其中的内容（示例代码）：

title = html.select_one('h1.article-title').getText()

用同样的方法可以分析出笑话内容和下一页URL的特征。

分析网页结构需要基本的HTML和CSS的知识，如果完全不懂，可以先直接模仿我的代码，然后再慢慢理解相关知识。

代码实现

现在来看完整的代码。

新建一个名为joke_crawler.py的文件。

import requests
import bs4
import time
import random
#先注释掉数据库相关的代码，后面需要反注释回来
#import joke_db 
from joke import Joke

#起始URL
url = 'http://xiaohua.zol.com.cn/detail1/1.html'  

#网站的域名地址，用来拼接完整地址
host = 'http://xiaohua.zol.com.cn'

def craw_joke(url):
    '''
    抓取指定的URL，返回一个Joke对象，和下一个要抓取的URL
    如果抓取失败，返回None, None
    必须设置User-Agent header，否则容易被封
    '''
    print(f'正在抓取：url')
    headers = 
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
    
    html = requests.get(url, headers=headers).text
    soup = bs4.BeautifulSoup(html, 'lxml')
    try:
        #分别使用css选择器提取title, detail和next_url
        title = soup.select_one('h1.article-title').getText()
        detail = soup.select_one('div.article-text').getText().strip()
        next_url = soup.select_one('span.next > a')['href']
        return Joke(title, detail, url), next_url
    except Exception as e:
        print('出错了：', e)
        print(html)
        return None, None 

# 抓取笑话，以学习为目的，建议不要抓取太多，本例子只抓取了10个
count = 0
for i in range(0, 10):
    joke, next_url = craw_joke(url)
    if joke:
        #先注释掉数据库相关的代码，后面需要反注释回来
        #joke_db.save(joke)
        print(joke)
        url = host + next_url
    print('歇一会儿再抓!')
    time.sleep(random.randint(1, 5))
print('抓完收工！')

代码中已经添加了一些注释，有基础的应该可以看懂。

有两个点要注意：

1.在craw_joke函数中，必须添加User-Agent的header，否则会很快被封锁。

2.代码中注释掉了和数据库相关的代码，现在只是把笑话打印出来。写好了数据库模块，要把相关代码反注释回来。

3.抓取的中间有随机1到5秒的停顿，一个防止被封锁，二是出于文明礼貌，不要给服务器带来太大压力。

保存到sqlite数据库

抓来的笑话可以保存到文件中，但是用文件存储不方便检索，也不方便判断笑话是否重复等。

所以更好的方法是把笑话保存到数据库，这里选择sqlite做数据库。原因如下：

1.sqlite是文件数据库，不需要安装额外的数据库服务器

2.python默认支持sqlite数据库，不需要任何额外的安装和配置

但如果你想把世界上所有的笑话都抓下来，数据量很大，那建议使用更正式的数据库，比如mysql.

新建一个名为joke_db.py的文件

代码如下：

import sqlite3
from joke import Joke 

def setup():
    '''
    创建数据库和创建表，如果已经存在了不会重复创建
    '''
    con = sqlite3.connect('jokeDB.db')
    with con:
        con.execute('''CREATE TABLE IF NOT EXISTS jokes
                    (id INTEGER PRIMARY KEY,
                    title varchar(256) NOT NULL,
                    detail varchar(1024) NOT NULL,
                    url varchar(1024) NOT NULL)''')

def save(joke):
    '''
    把笑话保存到数据库
    根据url判断是否已经有这个笑话了，如果有了就不再保存
    '''
    con = sqlite3.connect('jokeDB.db')
    with con:
        cur = con.cursor()
        cur.execute(
            'SELECT * FROM jokes WHERE (url = ?)', [(joke.url)])
        has_joke = cur.fetchone()
        if has_joke:
            print('重复了，不再插入')
        else:
            con.execute('INSERT INTO jokes(title, detail, url) VALUES (?,?,?)', (joke.title, joke.detail, joke.url))
            print('笑话保存成功')

def get_jokes():
    '''
    返回所有的笑话列表
    '''
    print('loading jokes...')
    con = sqlite3.connect('jokeDB.db')
    jokes = []
    with con:
        for row in con.execute('SELECT * FROM jokes'):
            joke = Joke(row[1], row[2], row[3], row[0])
            jokes.append(joke)
    return jokes

# 调用最上面的代码
setup()

# 测试代码，本模块被别的模块引入的时候，不会执行下面的代码
if __name__ == '__main__':
    save(Joke('笑话Test', '笑话内容test', 'https://www.joke.com/1.html'))
    save(Joke('笑话Test2', '笑话内容test', 'https://www.joke.com/2.html'))
    print('========打印一下所有的笑话======')
    for joke in get_jokes():
        print(joke)
        print()

代码已经添加了比较多的注释，请先看代码。这里额外的补充：

1.要使用sqlite，需要引入sqlite3模块

2.使用sqlite要先用connect()方法获得链接，然后调用execute()方法执行SQL语句。

运行上面的代码，就可以发现文件夹下多了一个名为jokeDB.db的文件，这是程序自动创建的数据库文件，笑话就保存在里面。下面里面只有两个测试的笑话：

> python joke_db.py
笑话保存成功
笑话保存成功
========打印一下所有的笑话======
loading jokes...
1-笑话Test
笑话内容test
https://www.joke.com/1.html

2-笑话Test2
笑话内容test
https://www.joke.com/2.html

这一部分需要一定的数据库知识，不过你也可以比这葫芦画瓢，先把功能做出来，再加强相关知识。

抓取笑话并保存到数据库

现在回到joke_crawler.py中，去掉关于joke_db的注释代码

第1处在文件开头：

#先注释掉数据库相关的代码，后面需要反注释回来
#import joke_db

第2处在文件的最下面：

for i in range(0, 10):
    joke, next_url = craw_joke(url)
    if joke:
        #先注释掉数据库相关的代码，后面需要反注释回来
        #joke_db.save(joke)
        print(joke)
        url = host + next_url
    print('歇一会儿再抓!')
    time.sleep(random.randint(1, 5))
print('抓完收工！')

去掉注释后，再次运行joke_crawler.py，就会把笑话保存在数据库中。

为了验证是否保存成功了，可以去运行joke_db.py，因为这个文件最后会打印出所有的笑话：

========打印一下所有的笑话======
loading jokes...
1-笑话Test
笑话内容test
https://www.joke.com/1.html

2-笑话Test2
笑话内容test
https://www.joke.com/2.html

3-成功
她：“因为别人都不同情你，我才做你的妻子。”他：“你总算成功了。现在每个人都因此同情我。”
http://xiaohua.zol.com.cn/detail1/1.html

4-结婚以后
女：“为什么从前你对我百依百顺，可结婚才三天，你就跟我吵了两天的架？”男：“因为我的忍耐是有限度的。”
http://xiaohua.zol.com.cn/detail1/2.html

5-我们的
燕尔新婚，新娘对新郎说：“今后咱们不兴说‘我的’了，要说‘我们的’。”新郎去洗澡，良久不出，新娘问：“你在干什么哪？”“亲爱的，我在刮我们的胡子呢。”
http://xiaohua.zol.com.cn/detail1/3.html

6-杞人忧天
妻子患了重病，医生宣告回天乏术。妻子即对丈夫说：“我现在希望你能够发誓。”“发什么誓。”“如果你再婚，不准把我的衣服给你的新妻子穿。”丈夫恍然大悟道：“这个我可以发誓。说实话，你根本不必操心，因为我再也不想找像你这样胖的太太了。”
http://xiaohua.zol.com.cn/detail1/5.html

7-理由充分
法官：“离婚理由是什么？”新娘：“他打呼噜。”法官：“结婚多长时间了？”新娘：“三天。”法官：“离婚理由充分，结婚三天还不是打呼噜的时候。”
http://xiaohua.zol.com.cn/detail1/6.html

8-聪明丈夫
某夫妇当街而过，一只鸽子飞过天空，一泡鸽粪不偏不倚正巧落在太太肩上，太太急了，忙叫丈夫拿纸。丈夫抬头，见鸽子不讲卫生，到处拉屎，却不知妻子叫他拿纸干嘛，说：“叫我有啥办法，追上前去给它擦屁股呀！ ”
http://xiaohua.zol.com.cn/detail1/8.html

9-事故与灾难
一位夫人问她的丈夫：“亲爱的，你能告诉我‘事故’与‘灾难’这两个词之间有什么区别吗？”“这很简单。”丈夫认真地回答说，“譬如你失足落水，这就叫‘事故’；如果人家又把你当鱼钓上来，这就是‘灾难’了。”
http://xiaohua.zol.com.cn/detail1/13.html

10-吵架的结果
夫妻吵架了。当丈夫下班回到家里，他发现妻子不在家。只在桌上留了一个条子，上面写道：“午饭在《烹调大全》第215页；晚饭在317页。”
http://xiaohua.zol.com.cn/detail1/14.html

11-保险之险
太太不懂保险的道理，认为缴保险费是浪费，先生连忙解释说：“保险是为了你和孩子，万一我死了；你们也有个保障呀！ ”太太反驳说：“要是你不死呢？”
http://xiaohua.zol.com.cn/detail1/16.html

12-补不足
妻：“我晓得，你与我结婚，是因为我有钱。”夫：“不是，是因为我没有钱。”
http://xiaohua.zol.com.cn/detail1/17.html

关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。


这份完整版的Python全套学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

以上是关于小度太弱了，干脆自己开发个对话机器人爬虫，数据库，面向对象，人工智能的主要内容，如果未能解决你的问题，请参考以下文章

ReCaptcha 是否太弱了？ [复制]

工作10年了，却被实习生代替，是实习生太牛了，还是我们太弱了？

测试工作8年了，却被应届生踩在头上，是应届生太牛了，还是我们太弱了？

测试工作干了8年，却被实习生代替，是实习生太牛了，还是我们太弱了？

结合工程实践选题调研分析同类软件产品

打算做一款给方便学生生活的APP，虽然已经有口袋小安了，但是那个功能太弱了。。。