Python 高并发线程爬取诗词之诗词分析
本节所讲内容：
1、5分钟快速了解爬虫概念
2、beautifulsoup 匹配原则
3、wordcloud 使用详情
实战：爬取中国唐诗宋词，体验文人雅士最常用的词语！
1、5分钟快速了解爬虫
爬虫（spider：网络蜘蛛）:是一个用脚本代替浏览器请求服务器获取服务器资源的程序。
数据收集（数据分析、人工智能）
模拟操作（测试、数据采集）
接口操作（自动化）
爬虫的原理：
说到底，我们的爬虫是模拟web请求，不论学习什么框架我们都需要对http协议的请求和响应有所了解：
简单的了解一下这幅图。
2、beautifulsoup 匹配原则
如果一个正则匹配稍有差池，那可能程序就处在永久的循环之中，而且有的小伙伴们也对写正则表达式的写法用得不熟练，没关系，我们还有一个更强大的工具，叫Beautiful Soup，有了它我们可以很方便地提取出HTML或XML标签中的内容，实在是方便，这一节就让我们一起来感受一下Beautiful Soup的强大吧。
什么是Beautiful Soup
简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。
官方解释如下:
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
2.1 bs的安装
环境介绍： pycharm 2017.2.3 + python 3.5.0
Pip install bs4
首先必须要导入 bs4 库， 创建BeautifulSoup对象
from bs4 import BeautifulSoup as BS
text = '''
<html>
<head>
<meta = charset='UTF-8' >
<title id =1 href = 'http://example.com/elsie' class = 'title'>Test</title>
</head>
<body>
<div class = 'ok'>
<div class = 'nice'>
<p class = 'p'>
Hello World
</p>
<p class = 'e'>
风一般的男人
</p>
</div>
</div>
</body>
</html>
'''
soup = BS(text,"lxml")#前面是要解析的内容，后面是指定的解析器
print(soup.prettify())#转换字符串
print(type(soup.prettify()))
print(type(soup))
2.2.2 搜索文档树
find()和find_all()
find_all()方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件。
find（）和find_all()的区别就是，find直接返回元素的一个结果，find_all返回元素列表
find_all( name , attrs , recursive , text , **kwargs )简介一下参数
name 参数可以查找所有名字为name的tag,字符串对象会被自动忽略掉；name参数可以传入字符串、正则表达式、列表、True、自定义的方法等但是各自代表的含义不一样。
字符串，在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容。
print(soup.find('body'))
print(soup.find_all('body')
如果匹配成功将会匹配所有的tag
如果一个指定名字的参数不是搜索内置的一些参数名,搜索时会把该参数当作指定名字tag的属性来
搜索;例如id=1
如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性；
如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性；
使用多个指定名字的参数可以同时过滤tag的多个属性；
对于class ，可以使用class_来搜索
#返回这个class=‘p’的标签内容。
print(soup.find_all('p',class_='p'))
对于某些tag属性不能通过搜索得到值，可以使用attrs参数得到
#返回class为e的标签
print(soup.find_all(attrs={'class':'e'}))
3、wordcloud 使用详情
wordcloud 简单利用英语来看就是词云，它是以词语为基本单位，更加直观的展示出我们的内容。
wordcloud 的安装
pip install wordcloud
大家顺便安装下：pip install jieba
1、基本格式
#导入词云
from wordcloud import WordCloud
#打开文件并且读取完全
f = open('1.txt','r').read()
#创建wc设个实例对象，里面可传递相应的参数
#generate根据文本生成词云
wc = WordCloud(
background_color='white',
width=500,
height=366,
margin=2
).generate(f)
#to_file 输出到文件
wc.to_file('./image/0.jpg')
3、wordcloud 使用详情
wordcloud 简单利用英语来看就是词云，它是以词语为基本单位，更加直观的展示出我们的内容。
wordcloud 的安装
pip install wordcloud
大家顺便安装下：pip install jieba
1、基本格式
#导入词云
from wordcloud import WordCloud
#打开文件并且读取完全
f = open('1.txt','r').read()
#创建wc设个实例对象，里面可传递相应的参数
#generate根据文本生成词云
wc = WordCloud(
background_color='white',
width=500,
height=366,
margin=2
).generate(f)
#to_file 输出到文件
wc.to_file('./image/0.jpg')
实战：爬取中国唐诗宋词，体验文人雅士最常用的词语！
第一步:下载中国的唐诗宋词
第二步：把数据保存到本地
第三步：结巴分词
第四步：生成词云简单分析
代码如下：
下载唐诗宋词保存本地
# -*- coding: utf-8 -*-
# @Time : 2019/2/25 10:23
# @Author : for
# @File : test01.py
# @Software: PyCharm
import re
import requests
from bs4 import BeautifulSoup
from fake_useragent import UserAgent
from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED
#这是url地址
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'
]
#处理获取每个诗词的url地址
poem_links = []
for url in urls:
# 请求头部
ua = UserAgent()
headers = {'User-Agent': ua.random}
req = requests.get(url, headers=headers)
#把爬取到的文本格式改成bs4可改变的格式
soup = BeautifulSoup(req.text, "lxml")
#定位到第一个class = sone的内容
content = soup.find_all('div', class_="sons")[0]
#获取该content
下所有a标签
links = content.find_all('a')
print(links)
#进行比遍历，url地址拼接
for link in links:
poem_links.append('https://so.gushiwen.org'+link['href'])
poem_list = []
def get_poem(url):
# 请求头部
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"([sS]*?)"), '', poem)
poem = re.sub(re.compile(r"（[sS]*?）"), '', poem)
poem = re.sub(re.compile(r"。([sS]*?）"), '', poem)
poem = poem.replace('!', '!').replace('?', '？')
poem_list.append(poem)
# 利用并发爬取
executor =
ThreadPoolExecutor(max_workers=10) # 可以自己调整max_workers,即线程的个数
# submit()的参数： 第一个为函数， 之后为该函数的传入参数，允许有多个
future_tasks =
[executor.submit(get_poem, url) for url in poem_links]
# 等待所有的线程完成，才进入后续的执行
wait(future_tasks, return_when=ALL_COMPLETED)
# 将爬取的诗句写入txt文件
poems = list(set(poem_list))
poems = sorted(poems, key=lambda x:len(x))
print(poems)
for poem in poems:
poem = poem.replace('《','').replace('》','').replace('：', '').replace('“', '')
print(poem)
with open('poem.txt', 'a',encoding='utf-8') as f:
f.write(poem)
f.write('
')
结果展示：
生成词云进行分析：
import jieba
from wordcloud import WordCloud,STOPWORDS
wc = WordCloud(background_color='white', # 背景颜色
max_words=1000, # 最大词数
# mask=back_color, # 以该参数值作图绘制词云，这个参数不为空时，width和height会被忽略
max_font_size=100, # 显示字体的最大值
stopwords=STOPWORDS.add('国'), # 使用内置的屏蔽词，再添加'苟利国'
#
font_path="C:/Windows/Fonts/STFANGSO.ttf", # 解决显示口字型乱码问题，可进入C:/Windows/Fonts/目录更换字体
font_path='C:WindowsFontssimfang.ttf',
random_state=42, # 为每个词返回一个PIL颜色
# width=1000, # 图片的宽
# height=860 #图片的长
)
text = open('poem.txt').read()
# 该函数的作用就是把屏蔽词去掉，使用这个函数就不用在WordCloud参数中添加stopwords参数了
# 把你需要屏蔽的词全部放入一个stopwords文本文件里即可
def stop_words(texts):
words_list = []
word_generator = jieba.cut(texts, cut_all=False) # 返回的是一个迭代器
for word in word_generator:
words_list.append(word)
print(words_list)
return ' '.join(words_list) # 注意是空格
text = stop_words(text)
wc.generate(text)
# 显示图片
wc.to_file('maikou.png')
效果展示