Python网络爬虫：爬取古诗文中的某个制定诗句来实现搜索

Posted 2020-12-28

 python编译练习，为了将自己学习过的知识用上，自己找了很多资料。所以想做一个简单的爬虫，代码不会超过60行。主要用于爬取的古诗文网站没有什么限制而且网页排布很规律，没有什么特别的东西，适合入门级别的爬虫。

抓取目标站点的准备工作

Python的版本是：3.4.3.

爬取的目标是： 古诗文网(www.xzslx.net)

随意打开一个古诗文网的古诗页面，查看它的网页地址就能看到，古诗的地址基本是 “www.xzslx.net/shi/+ id + .html” 构成，如下图：

然后对古诗文网的古诗总览页面可以看到分页符 最下方：

总共包括29830篇古诗文可以抓取，确定了”/shi/”后面数字的范围。

html页面解析库：BeautifulSoup 

安装方式是: $pip3 install BeautifulSoup4

主要参考文献：《python网络数据采集》第一、二章

代码解析：

#!usr/bin/python3
# -*- coding:utf-8 -*-

import re
from urllib.request import urlopen
from urllib.erroe import HTTPError
from bs4 import BeautifulSoup

def getPage(url) :
    try :
        html = urlopen(url)
    except HTTPError as e :
        return None
    try :
        bsObj = BeautifulSoup(html)
    except AttributeError as e :
        return None
    return bsObj

def getUrl(pg) :
    return ''.join(('http://www.xzslx.net/shi/', str(pg),'.html'))

f = open('./result.txt', 'wt')

for pg in range(0, 49149) :
    html = getPage(getUrl(pg))
    cont = (html.findAll('div', {'class' : 'son2'}))
    if cont != None and len(cont) > 1 :
        cont = cont[1].get_text()
        poem = cont[cont.find('原文：') + 4:]
        sentList = re.findall(r'(.*?[。！？])', poem)
        for sentc in sentList :
            if '月' in sentc :
                print (sentc, '	--- <', html.find('h1').get_text(), '>', file = f)
    print ('--- page', pg, ' dealed ---')

getPage(url) 函数的主要参考请看《python网络数据采集》第9页里面的代码。采用try...catch...防止采集的页面是发生异常而导致爬虫终止。

getUrl(pg) 函数主要是方便url的组成，了解join()函数是python的基础，很简单不用细说。 

open() 函数用于打开文档，这里我打开一个 result.txt 的文档存放爬取的结果。 

名为html的变量代表的是一个通过getPage()函数获取的BeautifulSoup对象，观察原页面可发现诗歌内容存放在一个属性“class = ‘son2’”的div内，而且是html文档中第二个这样的标签(第一个这样的标签是搜索框)。

使用get_text()函数获取<div class = 'son2'> 的文字内容，整首诗存放在“原文：”的后面，故在所获的内容中找到”原文：”的位置并向后偏移3个位置加一个换行符总共4个字符，便得到了原诗的内容。

诗歌的单句以“。”， “！”， “？”结尾，故将诗句拆分成单句的正则表达式为  '(.*?[。！？])' , “.*?” 表示python正则中的非贪婪模式，[]内的内容表示任选其一，()则是为了找到匹配结果并存放。

得到单句以后只需要判断”月”字是否在诗句中即可，有则输出到result.txt 中，没有则判断下一句。

print ('---page', pg, 'dealed---') 在命令行里输出爬取的状态，方便目测爬取的进度。

最后的结果是：