介紹

??本文將展示如何利用Python爬蟲來實(shí)現(xiàn)詩歌接龍伤靠。
??該項(xiàng)目的思路如下：

1. 利用爬蟲爬取詩歌范咨，制作詩歌語料庫；
2. 將詩歌分句燥撞，形成字典：鍵（key）為該句首字的拼音座柱，值（value）為該拼音對應(yīng)的詩句，并將字典保存為pickle文件物舒；
3. 讀取pickle文件色洞，編寫程序，以exe文件形式運(yùn)行該程序冠胯。

??該項(xiàng)目實(shí)現(xiàn)的詩歌接龍火诸，規(guī)則為下一句的首字與上一句的尾字的拼音（包括聲調(diào)）一致。下面將分步講述該項(xiàng)目的實(shí)現(xiàn)過程涵叮。

詩歌語料庫

??首先惭蹂，我們利用Python爬蟲來爬取詩歌，制作語料庫割粮。爬取的網(wǎng)址為：https://www.gushiwen.org盾碗，頁面如下：

爬取的詩歌

由于本文主要為試了展示該項(xiàng)目的思路，因此舀瓢，只爬取了該頁面中的唐詩三百首廷雅、古詩三百、宋詞三百、宋詞精選航缀，一共大約1100多首詩歌商架。為了加速爬蟲，采用并發(fā)實(shí)現(xiàn)爬蟲芥玉，并保存到poem.txt文件蛇摸。完整的Python程序如下：

import re
import requests
from bs4 import BeautifulSoup
from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED

# 爬取的詩歌網(wǎng)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'
        ]

poem_links = []
# 詩歌的網(wǎng)址
for url in urls:
    # 請求頭部
    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")
    content = soup.find_all('div', class_="sons")[0]
    links = content.find_all('a')

    for link in links:
        poem_links.append('https://so.gushiwen.org'+link['href'])

poem_list = []
# 爬取詩歌頁面
def get_poem(url):
    #url = 'https://so.gushiwen.org/shiwenv_45c396367f59.aspx'
    # 請求頭部
    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('!', '灿巧！').replace('?', '赶袄？')
    poem_list.append(poem)

# 利用并發(fā)爬取
executor = ThreadPoolExecutor(max_workers=10)  # 可以自己調(diào)整max_workers,即線程的個(gè)數(shù)
# submit()的參數(shù)： 第一個(gè)為函數(shù)， 之后為該函數(shù)的傳入?yún)?shù)抠藕，允許有多個(gè)
future_tasks = [executor.submit(get_poem, url) for url in poem_links]
# 等待所有的線程完成饿肺，才進(jìn)入后續(xù)的執(zhí)行
wait(future_tasks, return_when=ALL_COMPLETED)

# 將爬取的詩句寫入txt文件
poems = list(set(poem_list))
poems = sorted(poems, key=lambda x:len(x))
for poem in poems:
    poem = poem.replace('《','').replace('》','') \
               .replace('：', '').replace('“', '')
    print(poem)
    with open('F://poem.txt', 'a') as f:
        f.write(poem)
        f.write('\n')

該程序爬取了1100多首詩歌，并將詩歌保存至poem.txt文件盾似，形成我們的詩歌語料庫敬辣。當(dāng)然，這些詩歌并不能直接使用零院，需要清理數(shù)據(jù)溉跃，比如有些詩歌標(biāo)點(diǎn)不規(guī)范，有些并不是詩歌门粪，只是詩歌的序等等喊积，這個(gè)過程需要人工操作烹困，雖然稍顯麻煩玄妈，但為了后面的詩歌分句效果，也是值得的髓梅。

詩歌分句

??有了詩歌語料庫拟蜻，我們需要對詩歌進(jìn)行分句，分句的標(biāo)準(zhǔn)為：按照結(jié)尾為枯饿。酝锅？！進(jìn)行分句奢方，這可以用正則表達(dá)式實(shí)現(xiàn)搔扁。之后，將分句好的詩歌寫成字典：鍵（key）為該句首字的拼音蟋字，值（value）為該拼音對應(yīng)的詩句稿蹲，并將字典保存為pickle文件。完整的Python代碼如下：

import re
import pickle
from xpinyin import Pinyin
from collections import defaultdict

def main():
    with open('F://poem.txt', 'r') as f:
        poems = f.readlines()

    sents = []
    for poem in poems:
        parts = re.findall(r'[\s\S]*?[鹊奖。苛聘？！]', poem.strip())
        for part in parts:
            if len(part) >= 5:
                sents.append(part)

    poem_dict = defaultdict(list)
    for sent in sents:
        print(part)
        head = Pinyin().get_pinyin(sent, tone_marks='marks', splitter=' ').split()[0]
        poem_dict[head].append(sent)

    with open('./poemDict.pk', 'wb') as f:
        pickle.dump(poem_dict, f)

main()

我們可以看一下該pickle文件（poemDict.pk）的內(nèi)容：

pickle文件的內(nèi)容（部分）

當(dāng)然，一個(gè)拼音可以對應(yīng)多個(gè)詩歌设哗。

詩歌接龍

??讀取pickle文件唱捣，編寫程序，以exe文件形式運(yùn)行該程序网梢。
??為了能夠在編譯形成exe文件的時(shí)候不出錯(cuò)震缭，我們需要改寫xpinyin模塊的_init_.py文件，將該文件的全部代碼復(fù)制至mypinyin.py战虏，并將代碼中的下面這句代碼

data_path = os.path.join(os.path.dirname(os.path.abspath(__file__)),
                             'Mandarin.dat')

改寫為

data_path = os.path.join(os.getcwd(), 'Mandarin.dat')

這樣我們就完成了mypinyin.py文件蛀序。
??接下來，我們需要編寫詩歌接龍的代碼（Poem_Jielong.py）活烙，完整代碼如下：

import pickle
from mypinyin import Pinyin
import random
import ctypes

STD_INPUT_HANDLE = -10
STD_OUTPUT_HANDLE = -11
STD_ERROR_HANDLE = -12

FOREGROUND_DARKWHITE = 0x07  # 暗白色
FOREGROUND_BLUE = 0x09  # 藍(lán)色
FOREGROUND_GREEN = 0x0a  # 綠色
FOREGROUND_SKYBLUE = 0x0b  # 天藍(lán)色
FOREGROUND_RED = 0x0c  # 紅色
FOREGROUND_PINK = 0x0d  # 粉紅色
FOREGROUND_YELLOW = 0x0e  # 黃色
FOREGROUND_WHITE = 0x0f  # 白色

std_out_handle = ctypes.windll.kernel32.GetStdHandle(STD_OUTPUT_HANDLE)

# 設(shè)置CMD文字顏色
def set_cmd_text_color(color, handle=std_out_handle):
    Bool = ctypes.windll.kernel32.SetConsoleTextAttribute(handle, color)
    return Bool

# 重置文字顏色為暗白色
def resetColor():
    set_cmd_text_color(FOREGROUND_DARKWHITE)

# 在CMD中以指定顏色輸出文字
def cprint(mess, color):
    color_dict = {
                  '藍(lán)色': FOREGROUND_BLUE,
                  '綠色': FOREGROUND_GREEN,
                  '天藍(lán)色': FOREGROUND_SKYBLUE,
                  '紅色': FOREGROUND_RED,
                  '粉紅色': FOREGROUND_PINK,
                  '黃色': FOREGROUND_YELLOW,
                  '白色': FOREGROUND_WHITE
                 }
    set_cmd_text_color(color_dict[color])
    print(mess)
    resetColor()

color_list = ['藍(lán)色','綠色','天藍(lán)色','紅色','粉紅色','黃色','白色']

# 獲取字典
with open('./poemDict.pk', 'rb') as f:
    poem_dict = pickle.load(f)

#for key, value in poem_dict.items():
    #print(key, value)

MODE = str(input('Choose MODE(1 for 人工接龍, 2 for 機(jī)器接龍): '))

while True:
    try:
        if MODE == '1':
            enter = str(input('\n請輸入一句詩或一個(gè)字開始：'))
            while enter != 'exit':
                test = Pinyin().get_pinyin(enter, tone_marks='marks', splitter=' ')
                tail = test.split()[-1]
                if tail not in poem_dict.keys():
                    cprint('無法接這句詩徐裸。\n', '紅色')
                    MODE = 0
                    break
                else:
                    cprint('\n機(jī)器回復(fù)：%s'%random.sample(poem_dict[tail], 1)[0], random.sample(color_list, 1)[0])
                    enter = str(input('你的回復(fù)：'))[:-1]

            MODE = 0

        if MODE == '2':
            enter = input('\n請輸入一句詩或一個(gè)字開始：')

            for i in range(10):
                test = Pinyin().get_pinyin(enter, tone_marks='marks', splitter=' ')
                tail = test.split()[-1]
                if tail not in poem_dict.keys():
                    cprint('------>無法接下去了啦...', '紅色')
                    MODE = 0
                    break
                else:
                    answer = random.sample(poem_dict[tail], 1)[0]
                    cprint('（%d）--> %s' % (i+1, answer), random.sample(color_list, 1)[0])
                    enter = answer[:-1]

            print('\n（*****最多展示前10回接龍。*****）')
            MODE = 0

    except Exception as err:
        print(err)
    finally:
        if MODE not in ['1','2']:
            MODE = str(input('\nChoose MODE(1 for 人工接龍, 2 for 機(jī)器接龍): '))

現(xiàn)在整個(gè)項(xiàng)目的結(jié)構(gòu)如下（Mandarin.dat文件從xpinyin模塊對應(yīng)的文件夾下復(fù)制過來）：

項(xiàng)目文件

切換至該文件夾啸盏，輸入以下命令即可生成exe文件：

pyinstaller -F Poem_jielong.py

生成的exe文件為Poem_jielong.exe重贺，位于該文件夾的dist文件夾下。為了能夠讓exe成功運(yùn)行回懦，需要將poemDict.pk和Mandarin.dat文件復(fù)制到dist文件夾下气笙。

測試運(yùn)行

??運(yùn)行Poem_jielong.exe文件，頁面如下：

exe文件開始頁面

本項(xiàng)目的詩歌接龍有兩種模式怯晕，一種為人工接龍潜圃，就是你先輸入一句詩或一個(gè)字，然后就是計(jì)算機(jī)回復(fù)一句舟茶，你回復(fù)一句谭期，負(fù)責(zé)詩歌接龍的規(guī)則；另一種模式為機(jī)器接龍吧凉，就是你先輸入一句詩或一個(gè)字隧出，機(jī)器會自動輸出后面的接龍?jiān)娋洌ㄗ疃?0個(gè)）。
??先測試人工接龍模式：

人工接龍

??再測試機(jī)器接龍模式：

機(jī)器接龍

總結(jié)

??該項(xiàng)目的Github地址為：https://github.com/percent4/Shicijielong 阀捅。
??感謝閱讀胀瞪，歡迎大家交流~~

注意：本人現(xiàn)已開通微信公眾號： Python爬蟲與算法（微信號為：easy_web_scrape）， 歡迎大家關(guān)注哦~~