4万6千多高中作文大全ACCESS数据库
Posted 数据挖掘整理
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4万6千多高中作文大全ACCESS数据库相关的知识，希望对你有一定的参考价值。
作文类的数据库虽然已经有很多，有近万条的，也有2万条的，但今天弄到了小学、中学、高中一个系列的数据，而且最主要的是数据的记录数很多。这份高中作文包含46169条记录，分类也很好。
grade字段统计：高一（14062）、高二（13375）、高三（17381）、高考（1351）。
type字段统计：散文诗歌（8982）、叙事（8955）、议论文（6791）、日记（4334）、话题（3599）、写人（3033）、写景（2635）、想象（1840）、小说（1663）、读后感（1422）、书信（403）、说明文（337）、演讲稿（336）、状物（312）……等。
该数据库不但提供ACCESS数据库（扩展名是MDB），还会提供EXCEL文件（扩展名是xlsx）以及SQLite3数据库版本（扩展名是db），你可以根据需要导入导出到其他的数据库。
《作文精编大全》，Python程序员用爬虫制作的
文章目录
⛳️ 实战场景
本篇博客又是一个 Python 爬虫实战，目标站点时作文吧，一个充满作文的站点 zuowen8.com，由于其站点有那么一点点的付费需求，所以有一名爸爸级开发工程师不开心了，决定写一个小小的爬虫，他要的不多，就是一年级那一点点作文。
就是下面这个图让程序员干活的~
打开一年级作文列表页，页面如下所示，接下来要完成的第一步就是采集这个列表页的数据。
⛳️ 采集列表页
Python 在编写简易爬虫的时候，requests + lxml 是最简单的方式。
import requests
import json
headers =
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36"
res = requests.get('https://www.zuowen8.com/xiaoxue/yinianjizuowen/', headers=headers)
print(res.text)
直接运行代码，会得到中文乱码界面，即下图所示内容。
对响应对象设置编码，代码如下：
res = requests.get('https://www.zuowen8.com/xiaoxue/yinianjizuowen/', headers=headers)
res.encoding = 'utf-8' # 编码错误
print(res.text)
结果设置 utf-8 之后，编码依旧错误，此时就需要查看一下网页源码中的具体编码设置了，打开开发者工具，查看源码编码，发现网站采用的是 gb2312，参考该值进行设置即可。
res = requests.get('https://www.zuowen8.com/xiaoxue/yinianjizuowen/', headers=headers)
res.encoding = 'gb2312'
print(res.text)
⛳️ 提取列表作文地址
页面源码获取到之后，就可以提取作文详情页地址了，即下图红框区域链接。
res.encoding = 'gb2312'
e = etree.HTML(res.text)
h3_list = e.xpath("//h3/a/@href")
print(h3_list)
链接获取完毕，需要将其进行拼接，得到详情页完整地址，使用 f-strings 即可。
base_domain = 'https://www.zuowen8.com'
for url in h3_list:
url = base_domain+url
print(url)
详情页地址拼接完毕，再次使用 requests 模块对详情页源码进行捕获。
for url in h3_list:
url = base_domain+url
detail = requests.get(url,headers=headers)
detail.encoding = 'gb2312'
print(detail.text)
获取到作文详情页面源码，提取作文内容，即下图红框区域展示信息。
⛳️ 提取作文 8 内容
观察上图可以看到作文内容全部都在 class 等于 content 的 div 中，所以对其解析即可。
for url in h3_list:
url = base_domain+url
detail = requests.get(url,headers=headers)
detail.encoding = 'gb2312'
d = etree.HTML(detail.text)
content = d.xpath('//div[@class="content"]//p/text()')
print(content)
上述 xpath 表达式仅提取 div 元素中的子标签 p 的内部文字，恰好忽略了标签 u 中的反爬信息，即下图绿框数据需要被忽略。
运行代码，得到的内容如下所示，每一篇作文都按照段落提取成列表。
['今天，我和妹妹到楼下去抓蚂蚁。我抓了很多只大蚂蚁，大……', '后来，我又用棍子挑蚂蚁，', '谁知蚂……来。', '地上掉了一只辣椒，我看见很多蚂蚁在啃辣椒，有些蚂蚁被辣得跑掉了，有些蚂蚁在津津有味地啃着辣椒，还有几只蚂蚁想拖动辣椒，但是拖了半天都没拖动。']
最后只需要将列表中的内容进行拼接，就可以完成属于你的《作文精编大全》。
📢📢📢📢📢📢
💗 你正在阅读 【梦想橡皮擦】 的博客
👍 阅读完毕，可以点点小手赞一下
🌻 发现错误，直接评论区中指正吧
📆 橡皮擦的第 739 篇原创博客
从订购之日起，案例 5 年内保证更新
以上是关于4万6千多高中作文大全ACCESS数据库的主要内容，如果未能解决你的问题，请参考以下文章