最近在做一个有意思的小项目, 在一个聊天对话中, 你向电脑提出问题, 他会自动分词,然后根据关键字, 自动答复你 对所有的关键字做出解释, 工作量实在太大, 即使能解释, 数据库容量也不够 最后, 想到了实时爬虫...
如何分词?
目前比较好用的分词器 结巴(jieba)
爬哪里?
现成的百度百科
爬什么?
那要看用户问什么了, 爬虫最好是实时的, 这样就能根据用户的提问, 直接获取关键词数据
如何让程序变得更聪明(优化程序)?
每次爬完一个关键词后, 做一个本地备份, 既能避免百度策略临时变更带来的灾难, 也便于根据用户习惯, 优化程序
爬不到怎么办?
对于用户问到, 但百度百科未收录的关键词, 会自动记录到log日志里面,便于后期改进词库
实时爬取百度百科
import os
import sys
import requests
from lxml import etree
import re
import time
# 从本地获取数据
def getLocalData(keyword):
# 获取/baikeInfo下的所有文件名
print("尝试查询本地数据信息")
fileNames = os.listdir('./baikeInfo/')
# 查询本地是否存在缓存数据
latestCreateTime = ''
for fileName in fileNames:
# 文件关键字
fileName0 = fileName.split("_")[0]
# 文件创建时间
fileName1 = fileName.split("_")[1].split('.')[0]
# 如果当前文件名与目的文件名一致的话
if fileName0 == keyword:
# 如果时间缓存变量为空, 则存储当前时间戳
if latestCreateTime == '':
latestCreateTime = fileName1
# 如果时间缓存变量不为空, 则比较时间戳, 如果当前时间更晚, 则更新时间戳
elif int(fileName1) > int(latestCreateTime):
latestCreateTime = fileName1
# 创建需要读取的文件名
NeedFileName = ''
result = ''
# 如果时间戳为空, 则说明文件不存在
if latestCreateTime == '':
return "未收录本词条"
else:
NeedFileName = keyword+"_"+latestCreateTime+'.txt'
NeedFileNamePath = './baikeInfo/'+NeedFileName
with open(NeedFileNamePath, 'r') as f:
result = f.read()
return result
# 从网络获取数据
def getInfo(keyword):
headers = {
# 设置用户代理头(为狼披上羊皮)
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36",
}
target_url = "https://baike.baidu.com/item/"+ str(keyword)
result = ""
try:
# 尝试驱动爬虫获取实时数据
try:
data = requests.get(target_url, headers = headers)
data_etree = etree.HTML(data.content)
content_list = data_etree.xpath('//div[@class="lemma-summary"]/div[@class="para"]')
# 如果不存在这个词条
if len(content_list) == 0:
return "未收录本词条"
for content in content_list:
# 递归抽取子节点数据
result +=content.xpath('string(.)')
# 如果无法获取响应数据, 则尝试读取本地数据, 做出响应
except Exception as e:
result = getLocalData(keyword)
return result
# 如果本地没有数据, 也无法从互联网获取, 则返回未收录词条
except Exception as e:
result = "未收录本词条"
return result
# 数据清洗, 移除类似[1][2]之类的标记字符
result_list, num = [r for r in re.subn(r'\[\d{0,3}\]', '', result)]
# 数据清洗, 移除多余的空格字符
result = ''
for r in result_list:
result += str(r).strip()
return result
# 保存数据, 并通过log记录未收录的的词条
def saveData(fileName, info):
# 记录用户未查找到的词条, 结束函数
if info == "未收录本词条":
if os.path.exists("./log/"):
pass
else:
os.makedirs("./log/")
with open("./log/log.txt", "a") as f:
newlog = time.strftime("%Y年%m月%d日%H时%M分%S秒")+" "+"未找到关键词:"+fileName+"\n"
f.write(newlog)
return
# 尝试创建baikeInfo文件夹
if os.path.exists("./baikeInfo/"):
pass
else:
os.makedirs("./baikeInfo/")
# 获取当前的年月日时分秒
# 将数据保存到baikeInfo中, fileName.txt
file_path = "./baikeInfo/" + fileName +"_"+ time.strftime("%Y%m%d%H%M%S") +'.txt'
# 存储数据
with open(file_path, "w+") as f:
f.write(info)
# 程序入口
def getInput():
wd = ''
try:
wd = sys.argv[1]
except:
wd = "人工智能"
result = getInfo(wd)
if len(result)>0:
saveData(wd,result)
print(result)
if result == "未收录本词条":
return False
return result
def main():
result = getInput()
return result
if __name__ == '__main__':
main()
复制代码
为程序加入彩蛋?
彩蛋很容易加, 可以先写好一个字典, 里面放入一些关键词, 并放入彩蛋, 当分词器得到用户关键词时,先查字典, 如果能匹配到彩蛋, 就在最终的结果里面加入彩蛋信息,
本篇文章彩蛋:
文章点赞过50, 作者会上线程序的彩蛋版本,并将彩蛋链接更新到文章底部!