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:
- 利用爬蟲爬取詩歌范咨,制作詩歌語料庫;
- 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;
- 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:
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:
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):
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:
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:
??再測試機(jī)器接龍模式:
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~~