项目简介

本文将介绍一个笔者自己的项目：自制简单的诗歌搜索系统。该系统主要的实现功能如下：指定一个关键词，检索出包含这个关键词的诗歌，比如关键词为“白云”，则检索出的诗歌可以为王维的《送别》，内容为“下马饮君酒，问君何所之？君言不得意，归卧南山陲。但去莫复问，白云无尽时。”

该项目使用的Python模块为：

requests

BeautifulSoup

pymongo

tornado

其中，requests模块和BeautifulSoup模块用来制作爬虫，爬取网上的诗歌。pymongo模块用来将爬取的诗歌写入到MongoDB数据库。tornado模块用于网页端展示。

该项目主要分以下三步实现：

收集数据：使用爬虫，爬取网上的诗歌作为项目的数据集；

存入数据库：将爬取到的诗歌写入到MongoDB数据库；

网页展示：利用tornado框架实现诗歌搜索功能。

该项目的结构如下：

数据收集

首先，我们利用Python爬虫来爬取诗歌，存为CSV文件poem.csv。爬取的网址为：https://www.gushiwen.org 。由于仅是展示该项目的思路，因此，只爬取了该页面中的唐诗三百首、古诗三百、宋词三百、宋词精选，一共大约1100多首诗歌。

实现该爬虫的代码文件为poem_scrape.py，代码如下：

# -*- coding: utf-8 -*-

import re

import requests

from bs4 import BeautifulSoup

import pandas as pd

# 爬取的诗歌网址

urls = ['https://www.gushiwen.org/gushi/tangshi.aspx',

'https://www.gushiwen.org/gushi/sanbai.aspx',

'https://www.gushiwen.org/gushi/songsan.aspx',

'https://www.gushiwen.org/gushi/songci.aspx'

]

poem_links = []

# 诗歌的网址

for url in urls:

# 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")

content = soup.find_all('div', class_="sons")[0]

links = content.find_all('a')

for link in links:

poem_links.append(link['href'])

# print(poem_links)

# print(len(poem_links))

content_list = []

title_list = []

dynasty_list = []

poet_list = []

# 爬取诗歌页面

def get_poem(url):

#url = 'https://so.gushiwen.org/shiwenv_45c396367f59.aspx'

# 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")

# 诗歌内容

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('!', '！').replace('?', '？').replace('\n', '')

content = poem

if content:

content_list.append(content)

else:

content_list.append('')

# 诗歌朝代，诗人

dynasty_poet = soup.find('p', class_='source').text

if '：' in dynasty_poet:

dynasty, poet = dynasty_poet.split('：')

else:

dynasty, poet = '', ''

dynasty_list.append(dynasty)

poet_list.append(poet)

# 诗歌标题

title = soup.find('h1').text

if title:

title_list.append(title)

else:

title_list.append('')

# 爬取诗歌

for url in poem_links:

get_poem(url)

# 写入至csv文件

df = pd.DataFrame({'title': title_list,

'dynasty': dynasty_list,

'poet': poet_list,

'content': content_list

})

print(df.head())

df.to_csv('./poem.csv', index=False)

储存的poem.csv的前几行如下：

数据库

数据收集完毕后，我们需要将这些数据出访到数据库中，便于后续的调用，在这里选择MongoDB。利用文件write2mongodb.py文件可以将刚才爬取到的诗歌存放至MongoDB数据库中，完整的代码如下：

import pandas as pd

from pymongo import MongoClient

# 连接MongoDB

conn = MongoClient('mongodb://localhost:27017/')

db = conn["test"]

# 插入诗歌

df = pd.read_csv('poem.csv')

columns = ['title', 'dynasty', 'poet', 'content']

for i in range(df.shape[0]):

print(i)

row = df.iloc[i, :]

db.poem.insert(dict(zip(columns, row[columns])))

不到一分钟，我们可以看到MongoDB中的内容如下：

前端展示

准备好数据集后，我们需要可视化地展示诗歌检索功能，我们选择tornado这个框架来实现。诗歌检索功能为：指定一个关键词，检索出包含这个关键词的诗歌。关键词由用户输入，提交HTTP请求，在后台实现诗歌检索功能，然后在前端页面展示出来。

实现的server.py的代码如下：

# -*- coding: utf-8 -*-

import random

import os.path

import tornado.httpserver

import tornado.ioloop

import tornado.options

import tornado.web

from tornado.options import define, options

from pymongo import MongoClient

# 连接MongoDB

conn = MongoClient('mongodb://localhost:27017/')

coll = conn["test"].poem

#定义端口为8000

define("port", default=8000, help="run on the given port", type=int)

# GET请求

class QueryHandler(tornado.web.RequestHandler):

# get函数

def get(self):

self.render('query.html')

# POST请求

# POST请求参数：query_string

class ResultHandler(tornado.web.RequestHandler):

# post函数

def post(self):

query = self.get_argument('query_string')

res = list(coll.find({'content': {'$regex': query}}))

if len(res) > 0:

result = random.sample(res, 1)[0]

del result["_id"]

title = result['title']

dynasty = result['dynasty']

poet = result['poet']

content = result['content']

else:

title = ''

dynasty = ''

poet = ''

content = ''

self.render('result.html', query=query, title=title, dynasty=dynasty, poet=poet, content=content)

# 主函数

def main():

tornado.options.parse_command_line()

# 定义app

app = tornado.web.Application(

handlers=[(r'/query', QueryHandler), (r'/result', ResultHandler)], #网页路径控制

template_path=os.path.join(os.path.dirname(__file__), "templates") # 模板路径

)

http_server = tornado.httpserver.HTTPServer(app)

http_server.listen(options.port)

tornado.ioloop.IOLoop.instance().start()

main()

其中，query路径对应的网页query.html的代码如下：

Poem Query

请输入查询

包含文字:

result路径对应的网页result.html如下：

Result

//highlight query word in the page

function Func(){

var query = document.getElementById("query").innerHTML;

query = query.split('：')[1];

if(query == ''){alert('查询词为空!')}

else{

document.getElementById("result").innerHTML = document.getElementById("result").innerHTML.replace(new RegExp(query,'g'),''+query+'');

}

}

查询词：{{query}}

标题：{{title}}

朝代：{{dynasty}}

诗人：{{poet}}

内容：{{content}}

返回

查询词高亮

使用示例

运行server.py, 在浏览器中输入网址：http://localhost:8000/query ，界面如下：

在其中输入搜索关键词，比如“白云”，则会显示一条随机的结果，如下：

点击“查询词高亮”，则查询词部分会高亮显示。

总结

本项目仅为展示诗歌检索的一种实现思路，仍有许多功能还待完善，后续将进一步补充实现。本项目的github地址为：https://github.com/percent4/P... 。

注意：本人现已开通微信公众号： Python爬虫与算法(微信号为：easy_web_scrape)， 欢迎大家关注哦~~