8千多古诗词唐诗宋词鉴赏ACCESSEXCEL数据库

Posted 2023-05-23 数据挖掘整理

虽然已经有很多诗词类的数据库，最近又再次找了一下古诗词类的数据，又发现了一些，可是真的是各有各的优点，各有各的特色，之后不再重找诗词类的数据了。

今天这个诗词鉴赏数据也不错，有分类TAG，也有译文、注释、品析、朝代，但是又有些不足，详见下面说明：

朝代记录统计：金朝（15）、近代（8）、两汉（143）、明代（133）、南北朝（89）、清代（236）、宋代（1229）、隋代（12）、唐代（1650）、未知（22）、魏晋（96）、五代（72）、先秦（414）、现代（4231）、元代（93）。现代的竟然有4千多条，哎其一。现代的都没有译文、注释、品析内容，哎其二。

fanyi字段有内容的记录共有3376条，zhushi字段有内容的记录共有3882条，pingxi字段有内容的字段有536条。

截图下方有显示“共有记录数”，截图包含了表的所有字段列。该数据提供ACCESS数据库文件（扩展名是MDB）以及EXCEL文件（扩展名是XLS）。

爬虫实例：唐诗宋词爬虫

每年都期待夏天赶紧变成秋天，没有木头马尾的九月，没有颜色奇迹的南方，只得古诗词里把情绪商量，算云烟，此处认春秋。

 

 

基本分析

1.根据古诗词网页结构，可以看出诗词正文有两种结构，一种是p标签分隔的，一种是br标签分隔的

from lxml import etree

s = """
<div id="contson47919" class="contson">
<p>aaa<br>a</p>
<p>bb</p>
<p>c</p>
</div>
"""
selector = etree.HTML(s)
#s = selector.xpath(\'//*[@class="contson"]/p\')  #aaa
#s = selector.xpath(\'string(//*[@class="contson"]/p)\')  #aaaa
s = selector.xpath(\'string(//*[@class="contson"])\')  # aaaa \\n bb \\n c
#print list(s)  #[\'\\n\', \'a\', \'a\', \'a\', \'a\', \'\\n\', \'b\', \'b\', \'\\n\', \'c\', \'\\n\']
s = [i for i in s if i != \'\\n\']  #[\'a\', \'a\', \'a\', \'a\', \'b\', \'b\', \'c\']
s = \'\'.join(s)
print type(s)  #<type \'str\'>
print s  #aaaabbc

import re

s = """
<div id="contson47919" class="contson">
<p>　　环滁皆山也。其西南诸峰，林壑尤美，望之蔚然而深秀者，琅琊也。山行六七里，渐闻水声潺潺而泻出于两峰之间者，酿泉也。峰回路转，有亭翼然临于泉上者，醉翁亭也。作亭者谁？山之僧智仙也。名之者谁？太守自谓也。太守与客来饮于此，饮少辄醉，而年又最高，故自号曰醉翁也。醉翁之意不在酒，在乎山水之间也。山水之乐，得之心而寓之酒也。</p>
<p>　　若夫日出而林霏开，云归而岩穴暝，晦明变化者，山间之朝暮也。野芳发而幽香，佳木秀而繁阴，风霜高洁，水落而石出者，山间之四时也。朝而往，暮而归，四时之景不同，而乐亦无穷也。</p>
<p>　　至于负者歌于途，行者休于树，前者呼，后者应，伛偻提携，往来而不绝者，滁人游也。临溪而渔，溪深而鱼肥。酿泉为酒，泉香而酒洌；山肴野蔌，杂然而前陈者，太守宴也。宴酣之乐，非丝非竹，射者中，弈者胜，觥筹交错，起坐而喧哗者，众宾欢也。苍颜白发，颓然乎其间者，太守醉也。</p>
<p>　　已而夕阳在山，人影散乱，太守归而宾客从也。树林阴翳，鸣声上下，游人去而禽鸟乐也。然而禽鸟知山林之乐，而不知人之乐；人知从太守游而乐，而不知太守之乐其乐也。醉能同其乐，醒能述以文者，太守也。太守谓谁？庐陵欧阳修也。</p>
</div>

<div id="contson49394" class="contson">
大江东去，浪淘尽，千古风流人物。
<br>
故垒西边，人道是，三国周郎赤壁。
<br>
乱石穿空，惊涛拍岸，卷起千堆雪。
<br>
江山如画，一时多少豪杰。
<br>
遥想公瑾当年，小乔初嫁了，雄姿英发。
<br>
羽扇纶巾，谈笑间，樯橹灰飞烟灭。(樯橹 一作：强虏)
<br>
故国神游，多情应笑我，早生华发。
<br>
人生如梦，一尊还酹江月。(人生 一作：人间；尊 通：樽)
</div>

<div id="contson52821" class="contson">
<p>
寻寻觅觅，冷冷清清，凄凄惨惨戚戚。乍暖还寒时候，最难将息。三杯两盏淡酒，怎敌他、晚来风急？雁过也，正伤心，却是旧时相识。
<br>
满地黄花堆积。憔悴损，如今有谁堪摘？守着窗儿，独自怎生得黑？梧桐更兼细雨，到黄昏、点点滴滴。这次第，怎一个愁字了得！（守着窗儿 一作：守著窗儿）
</p>
</div>
"""
#SFiltered = re.sub("<br/>", " ",s)
#SFiltered = re.sub("<p/>", " ",s)
SFiltered = re.sub(r\'\\<.*?\\>\'," ",s).strip()
print SFiltered  #<type \'str\'>

 

数据抓取

Version1  正则提取

import re

links = \'<a href="/type.aspx?p=1&c=%e5%94%90%e4%bb%a3">唐代</a><a href="/search.aspx?value=%e6%9d%8e%e7%99%bd">李白</a>\'
author = re.findall(r\'<a href="/search.aspx?value=% .*? >(.*?)</a>\',links)
print author  #[]

text = \'<div id="contson71138" class="contson"> 山不在高，有仙则名。水不在深，有龙则灵。斯是陋室，惟吾德馨。苔痕上阶绿，草色入帘青。谈笑有鸿儒，往来无白丁。可以调素琴，阅金经。无丝竹之乱耳，无案牍之劳形。南阳诸葛庐，西蜀子云亭。孔子云：何陋之有？ </div>\'
song = re.findall(r\'?<=<div id="contson\\d+" class="contson"?<=>(.?*)?<=</div>\',text) #报错nothing to repeat
song = re.findall(r\'<div id="contson\\d+" class="contson">(.?*)</div>\',text)  #报错multiple repeat
print song

注：提取失败

 Version2  Xpath提取

#coding=utf-8
import requests
from lxml import etree
import sys
import re
import pymongo

reload(sys)
sys.setdefaultencoding(\'utf-8\')

#conn = pymongo.MongoClient(host=\'localhost\',port=27017)  #先启动mongoDB,再建立数据库poetry和集合poem
#poetry = conn[\'poetry\']
#newdata = poetry[\'poem\']

urllist = [\'http://so.gushiwen.org/type.aspx?p={}&c=%e5%ae%8b%e4%bb%a3\'.format(i) for i in range(1,2)]
#print urllist


poemL = []

for url in urllist:
    print url
    html = requests.get(url).content
    #HtmlFiltered = html.replace(\'\\n\',\'\').replace(\'\\r\',\'\')
    #HtmlFiltered = re.sub(r\'\\<.*?\\>\'," ",HtmlFiltered).strip()
    tree = etree.HTML(html)
    rez = tree.xpath(\'//*[@class="sons"]\')
    print \'aaaeee\'
    for i in rez:
        poem1 = i.xpath(\'//*[@class="contson"]/p/text()\')
        poem2 = i.xpath(\'//*[@class="contson"]/text()\')

        title = i.xpath(\'//*[@class="cont"]/p[1]/a/b/text()\')
        dynasty = i.xpath(\'//*[@class="source"]/a[1]/text()\') #从1开始
        author = i.xpath(\'//*[@class="source"]/a[2]/text()\')
    poemL.extend(poem1)
    poemL.extend(poem2)
    poemL = [i for i in poemL if i != \'\\n\']
    #poemL = \'\'.join(poemL)
    #print poemL


print u\'诗:\'
count = 0
for i in poemL:
    count +=1
    print count, i

输出：每页十首诗，然而len(poemL)=32

 改进版：

#coding=utf-8
import requests
from lxml import etree
import sys
import re
import pymongo

reload(sys)
sys.setdefaultencoding(\'utf-8\')

conn = pymongo.MongoClient(host=\'localhost\',port=27017)  #先启动mongoDB,再建立数据库poetry和集合poem
poetry = conn[\'poetry\']
newdata = poetry[\'poemSong\']

urllist = [\'http://so.gushiwen.org/type.aspx?p={}&c=%e5%94%90%e4%bb%a3\'.format(i) for i in range(1,501)]
#print urllist


for url in urllist:
    print url
    html = requests.get(url).content
    tree = etree.HTML(html)
    rez = tree.xpath(\'//*[@class="left"]\')
for i in rez:
        title = i.xpath(\'//*[@class="cont"]/p[1]/a/b/text()\')
        dynasty = i.xpath(\'//*[@class="source"]/a[1]/text()\') 
        author = i.xpath(\'//*[@class="source"]/a[2]/text()\')
        
    poem = []
    for i in range(10):
        result = tree.xpath(\'//div[@class="contson"][starts-with(@id,"contson")]\')[i]
        info = result.xpath(\'string(.)\')
        content = info.replace(\'\\n\',\'\').replace(\' \',\'\')
        #print content
        #print type(content)  #<type \'unicode\'>
        print len(content)
        poem.append(content)
        #break

    #打印输出
    for i,j,m,n in zip (title,dynasty,author,poem):
        print i,\'|\',j,\'|\',m,\'|\',n
        print \'\\n\'
        break 
    
    #写入文件
    for i in list(range(0,len(title))):
        text =\',\'.join((title[i],dynasty[i],author[i],poem[i]))+\'\\n\'
        with open(r"C:\\Users\\HP\\Desktop\\codes\\DATA\\poemTang.csv",\'a+\') as file:
            file.write(text+\' \')
      

    #存入数据库
    data = {\'title\':title,
            \'author\':author,
            \'dynasty\':dynasty,
            \'poem\':poem}
    newdata.insert_one(data)

print \'succeed\'

说明：通过contsonid提取元素，id获取使用startwith()

输出：

 5000首唐诗，5000首宋词搬回家了，满满的成就感，哈哈哈