Python網(wǎng)絡(luò)爬蟲：爬取古詩文中的某個(gè)制定詩句來實(shí)現(xiàn)搜索

python編譯練習(xí)，為了將自己學(xué)習(xí)過的知識用上，自己找了很多資料。所以想做一個(gè)簡單的爬蟲，代碼不會超過60行。主要用于爬取的古詩文網(wǎng)站沒有什么限制而且網(wǎng)頁排布很規(guī)律，沒有什么特別的東西，適合入門級別的爬蟲。

創(chuàng)新互聯(lián)建站成都網(wǎng)站建設(shè)按需策劃設(shè)計(jì)，是成都網(wǎng)站維護(hù)公司,為柴油發(fā)電機(jī)提供網(wǎng)站建設(shè)服務(wù),有成熟的網(wǎng)站定制合作流程，提供網(wǎng)站定制設(shè)計(jì)服務(wù)：原型圖制作、網(wǎng)站創(chuàng)意設(shè)計(jì)、前端HTML5制作、后臺程序開發(fā)等。成都網(wǎng)站設(shè)計(jì)熱線：13518219792

抓取目標(biāo)站點(diǎn)的準(zhǔn)備工作

Python的版本是：3.4.3.

爬取的目標(biāo)是：古詩文網(wǎng)(www.xzslx.net)

隨意打開一個(gè)古詩文網(wǎng)的古詩頁面，查看它的網(wǎng)頁地址就能看到，古詩的地址基本是 “www.xzslx.net/shi/+ id + .html” 構(gòu)成，如下圖：

Python網(wǎng)絡(luò)爬蟲：爬取古詩文中的某個(gè)制定詩句來實(shí)現(xiàn)搜索

然后對古詩文網(wǎng)的古詩總覽頁面可以看到分頁符最下方：

Python網(wǎng)絡(luò)爬蟲：爬取古詩文中的某個(gè)制定詩句來實(shí)現(xiàn)搜索

總共包括29830篇古詩文可以抓取，確定了”/shi/”后面數(shù)字的范圍。

html頁面解析庫：BeautifulSoup

安裝方式是: $pip3 install BeautifulSoup4

主要參考文獻(xiàn)：《python網(wǎng)絡(luò)數(shù)據(jù)采集》第一、二章

代碼解析：

#!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, '\t--- <', html.find('h2').get_text(), '>', file = f)
    print ('--- page', pg, ' dealed ---')

getPage(url) 函數(shù)的主要參考請看《python網(wǎng)絡(luò)數(shù)據(jù)采集》第9頁里面的代碼。采用try...catch...防止采集的頁面是發(fā)生異常而導(dǎo)致爬蟲終止。

getUrl(pg) 函數(shù)主要是方便url的組成，了解join()函數(shù)是python的基礎(chǔ)，很簡單不用細(xì)說。

open() 函數(shù)用于打開文檔，這里我打開一個(gè) result.txt 的文檔存放爬取的結(jié)果。

名為html的變量代表的是一個(gè)通過getPage()函數(shù)獲取的BeautifulSoup對象，觀察原頁面可發(fā)現(xiàn)詩歌內(nèi)容存放在一個(gè)屬性“class = ‘son2’”的div內(nèi)，而且是html文檔中第二個(gè)這樣的標(biāo)簽(第一個(gè)這樣的標(biāo)簽是搜索框)。

使用get_text()函數(shù)獲取

的文字內(nèi)容，整首詩存放在“原文：”的后面，故在所獲的內(nèi)容中找到”原文：”的位置并向后偏移3個(gè)位置加一個(gè)換行符總共4個(gè)字符，便得到了原詩的內(nèi)容。

詩歌的單句以“。”， “！”， “？”結(jié)尾，故將詩句拆分成單句的正則表達(dá)式為 '(.*?[。?。縘)' , “.*?” 表示python正則中的非貪婪模式，[]內(nèi)的內(nèi)容表示任選其一，()則是為了找到匹配結(jié)果并存放。

得到單句以后只需要判斷”月”字是否在詩句中即可，有則輸出到result.txt 中，沒有則判斷下一句。

print ('---page', pg, 'dealed---') 在命令行里輸出爬取的狀態(tài)，方便目測爬取的進(jìn)度。

最后的結(jié)果是：

Python網(wǎng)絡(luò)爬蟲：爬取古詩文中的某個(gè)制定詩句來實(shí)現(xiàn)搜索