近期，在做项目中，有一个问题一直困扰着我，就是翻译英文太难，中文毕竟还是母语，所以读写看还是方便的多，但因为项目中处理的都是英文的部分，所以，想做一个小的爬虫程序，来实现翻译的功能。有了这个目标，OK，现在开始实现。
首先，需要简单的了解一下爬虫，尽可能简单快速的上手，我希望可以在今天下午四点的时候搞定基础知识，其次，需要了解的是百度的API的接口，搞定这个之后，谷歌翻译会更加麻烦一点，先搞定百度翻译，然后再解决谷歌翻译的事情，最后，按照官方给出的demo，然后写自己的一个小程序。
第一个部分：Python爬虫的基础知识
1，使用的第三方库：urllib, urllib2，利用这些库我们可以得到网页的内容。
2，Python正则表达式，用于匹配表达式，可以视为抽取的作用，把我们想要的部分可以抽取出来。
3，爬虫的Scrapy框架。这个是后续的内容啦。
详见官方文档：http://doc.scrapy.org/en/latest/
4，URL,统一资源定位符，即我们需要到达的目的地址
DNS,域名系统，就是IP的另一个名字，我们只需要知道别名，就可以访问到那个IP地址了。
HTML代码，网页的实质，利用谷歌的审查元素就可以看到网页呈现的格式。
5，简单的爬虫的教程，感谢大神的分享， 我就直接贴上大神的网址，以便后续遗忘时的查看。http://python.jobbole.com/81336/
6，数据传送的二种方式：post和get方式
简单的网页抓取是静态的网页，但很多时候，是动态的网页，需要我们传递数据给服务器来获得所需要的网页数据，所以数据传送的方式分为二种，post方式和get方式。
get方式是直接以链接的方式来访问，链接中包含了所有的参数，用户可以方便直观的查看自己提交的内容，但不太安全;post方式则不会再网址上显示所有的参数，查看提交的内容不方便，但相对而言比较安全。
post方式：（对于数据具有隐藏功能）
import urllib
import urllib2
values = {}
values['username'] = "1016903103@qq.com"
values['password'] = "XXXX"
data = urllib.urlencode(values)
url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request = urllib2.Request(url,data)
response = urllib2.urlopen(request)
print response.read()get方式：（显式的显现数据）
import urllib
import urllib2
values={}
values['username'] = "1016903103@qq.com"
values['password']="XXXX"
data = urllib.urlencode(values)
url = "http://passport.csdn.net/account/login"
geturl = url + "?"+data
request = urllib2.Request(geturl)
response = urllib2.urlopen(request)
print response.read()7，设置Headers
站点对于简单的方式访问并不买账，这个时候并不会返回任何内容，不会响应，所以需要模拟浏览器的工作，所以需要设置一些Headers的属性，让我们的访问类似于浏览器的访问。
在头部Headers中，有很多文件编码，压缩方式，请求的agent等信息，如果没有请求的身份，那么服务器不一定会有响应，所以我们在头部数据中加入agent信息，来模拟浏览器的行为。对于headers中的“反盗链”的方式，需要判断的是referer字段，判断是不是它自己，如果不是，则不会响应。
User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求
Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。
application/xml ： 在 XML RPC，如 RESTful/SOAP 调用时使用
application/json ： 在 JSON RPC 调用时使用
application/x-www-form-urlencoded ： 浏览器提交 Web 表单时使用
在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务8，设置代理Proxy
import urllib2
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})
if enable_proxy:
opener = urllib2.build_opener(proxy_handler)
else:
opener = urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)9, Timeout设置
10，cookie的使用
一直说cookie，cookie，到底是什么东西，是指某些网站为了辨别用户身份，进行session跟踪而存储在用户本地终端上的数据。比如说有些网站需要登录后才能访问某个页面，在登录之前，你想抓取某个页面内容是不允许的，那么我们可以利用Urllib2库保存我们登录的Cookie，然后再抓取其他页面就达到目的了。
首先，我们需要的是一个opener的实例，之前我们采用的urlopen，是一个简单的opener实例，传入的参数仅仅是url,data,timeout，而我们需要更复杂的功能时，这个是满足不了我们的要求的，所以我们需要创建更一般的opener来实现Cookie的设置。
其次，我们采用cookielib模块，来提供可存储cookie的对象，以便于与urllib2模块配合使用来访问Internet资源，Cookielib模块功能非常强大，我们可以利用本模块的CookierJar类的对象来捕获cookie并在后续连接请求时重新发送，比如可以实现模拟登录功能。该模块主要的对象有CookieJar,FileCookieJar,MozillaCookieJar,LWPCookieJar.
具体的教程：http://python.jobbole.com/81344/
11，正则表达式
正则表达式是对字符串操作的一种逻辑公式，是用事先定义好的一些特定字符，及这些特定字符的组合，组成一个“规则字符串”，用于对字符串的一种过滤逻辑。
第二部分：了解百度翻译的API
首先，需要在百度翻译平台来进行注册http://api.fanyi.baidu.com/api/trans/product/apidoc
在管理控制台来找到自己的APP ID和密钥。
例：将apple从英文翻译成中文：
请求参数：
q=apple
from=en
to=zh
appid=2015063000000001
salt=1435660288
平台分配的密钥: 12345678
生成sign：
>拼接字符串1
拼接appid=2015063000000001+q=apple+salt=1435660288+密钥=12345678
得到字符串1 =2015063000000001apple143566028812345678
>计算签名sign（对字符串1做md5加密，注意计算md5之前，串1必须为UTF-8编码）
sign=md5(2015063000000001apple143566028812345678)
sign=f89f9594663708c1605f3d736d01d2d4
完整请求为：
http://api.fanyi.baidu.com/api/trans/vip/translate?q=apple&from=en&to=zh&appid=2015063000000001&salt=1435660288&sign=f89f9594663708c1605f3d736d01d2d4
也可以使用POST方法传送需要的参数。提交URL后的返回值为JSON格式，利用json模块来进行解析。
第三部分：具体的实现（初步的简易实现版本已经获得~~，开心·~待我加一个界面进去）
1，Tkinter的使用
这里我们采用的是Tkinter,是python自带的一个库，是一个图形库，Tk会调用操作系统提供的本地的GUI接口，完成最终的GUI。
插个题外话，感觉自己越做越大的样子，，想想有点幸福呢，有想法就去做，等等就实现不了了。。。继续Tkinter的学习，，我也在怀疑自己，我是不是应该为了找工作做准备呀，一直沉浸在自己的小世界中，是不是不太好。。。不管，今天要做一个小的界面出来。
简单的教程，参见大神的博客，我把参考的博客贴出来，以便后续的复习。
http://blog.csdn.net/wangyiyan315/article/details/16361065
大佬千千万，你说厉不厉害，就问你说厉害不厉害~~
对于Tkinter可以设置窗口的标题，窗口的大小，以及改变窗口的长宽问题；
其次说明其中的一些组件以及容器的概念
详情参见：https://www.cnblogs.com/kaituorensheng/p/3287652.html
http://lib.csdn.net/article/python/3615
具体的程序，我贴到这里，第一次做，能力有限，界面有点丑，之后改进。
# -*- coding: utf-8 -*-
import httplib
import md5
import urllib
import json
import random
from Tkinter import *
import tkMessageBox
from preprocess.utils import tools
import codecs
sys.path.append("./preprocess/data")
httpClient = None
class Application():
def __init__(self):
self._from = 'en'
self._to = 'zh'
self._appid = '**********' # 安全起见，我就注释掉了
self._key = '********'
self.root = Tk()
self.root.title("翻译小软件-赵越")
self.root.geometry('800x800')
self.load_sys()
self.frm = Frame(self.root)
Label(self.frm, text="需要翻译的句子").pack()
self.l = Listbox(self.frm, width=80, height=20)
self.l.pack()
for item in self.text:
self.l.insert(END, item)
self.Button1 = Button(self.frm, text="翻译", command=self.GetResult)
self.Button1.pack()
self.Button2 = Button(self.frm, text="No Need", command=self.Getremove)
self.Button2.pack()
self.frm.pack()
def load_sys(self):
filename = tools.file_find("tweet_classification/train/tweets_test.txt")
file_m = codecs.open(filename, 'r')
self.text = []
for line in file_m.readlines():
line = line.strip().split('\t')
texts = line[0]
self.text.append(texts)
def Getremove(self):
self.l.delete(self.l.curselection())
def GetResult(self):
q = self.l.get(self.l.curselection())
q = q.encode('utf8')
myurl = '/api/trans/vip/translate'
salt = random.randint(10001, 99999)
sign = self._appid + q + str(salt) + self._key
m1 = md5.new()
m1.update(sign)
sign = m1.hexdigest()
myurl = myurl+'?appid='+self._appid+'&q='+urllib.quote(q)+'&from='+self._from+'&to='+self._to+'&salt='+str(salt)+'&sign='+sign
try:
httpClient = httplib.HTTPConnection('api.fanyi.baidu.com')
httpClient.request('GET', myurl)
response = httpClient.getresponse()
TransResult = response.read()
data = json.loads(TransResult)
# print data
dst = data['trans_result'][0]['dst']
# print dst
tkMessageBox.showinfo('text', "text is: %s" % dst)
# return self._dst
except:
print "error"
# ----------- 程序的入口 -----------
app = Application()
mainloop()出来的效果图：
哇卡哇卡，，完成一次小的实践操作呢·~
扫一扫
1112
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
