我最近在忙学校的一个小项目的时候涉及到NLP的内容。但是在考虑如何训练的时候却才懂什么叫巧妇难为无米之炊的滋味。中文语料库实在少的可怜,偶尔有一两个带标签的语料库,拿出一看,标注惨不忍睹,都让我怀疑是不是机器标注的。正应了那句话,人工智能,有多少智能就有多少人工。
有什么办法呢,硬着头皮,走一步是一步吧,总比停滞不前要好。项目涉及到帖子,那么我相信不管是谁,首先想到的就是最大的中文贴吧:百度贴吧。我的目标就是爬取百度贴吧的帖子中的内容。
其实参考资料的那篇文章已经将步骤写得十分详细了,但是因为那篇文章的最后更新时间也只是在2016年,如今百度贴吧已有所改版,代码可能不太好用(如原作者所说,问题大多出现在正则表达式上),于是自己学习摸索着将代码跑起来,下面记录在此。
1.导入和Spider有关的包
import urllib.error
import urllib.request
import re
首先urllib是python的一个标准库,在此的作用就是向服务器发送一个请求(request),然后收到返回的一个response。一个奇怪的事情是假如在notebook中跑代码,只需要import urllib就行了。但是在直接运行脚本的时候却要import urllib.error和request,不然会报错说没有这个包。
re则是一个关于正则表达式的标准库,用途非常广泛,用好了事半功倍,必须好好掌握。
2.构造一个包含对网页各种操作的类BDTB
class BDTB:
def __init__(self, baseUrl, seeLZ):
self.baseURL = baseURL
self.seeLZ = '?see_lz='+str(seeLZ)
self.tool = Tool()
def getPage(self, pageNum):
try:
url = self.baseURL + self.seeLZ + '&pn=' + str(pageNum)
response = urllib.request.urlopen(url)
# print(response.read())
return response
except urllib.error.URLError as e:
if hasattr(e, "reason"):
print('连接百度贴吧失败,错误原因' + e.reason)
return None
def getTitle(self):
page = self.getPage(1)
pattern = re.compile('
(.*?)', re.S)result = re.search(pattern, page.read().decode('utf-8'))
if result:
# print result.group(1) #测试输出
return result.group(1).strip()
else:
return None
def getPageNum(self):
page = self.getPage(1)
pattern = re.compile('
.*?(.*?)', re.S)result = re.search(pattern, page.read().decode('utf-8'))
if result:
# print result.group(1) #测试输出
return result.group(1).strip()
else:
return None
def getContent(self, page):
pattern = re.compile('
items = re.findall(pattern, page.read().decode('utf-8'))
for item in items:
if(len(self.tool.replace(item[0])) > 0):
print(self.tool.replace(item[0]))
return items
这个类包含了4个类方法和一个构造方法,四个方法分别能获取帖子的HTML,页数,标题和内容,关于这四个方法的设计参考资料中讲的非常透彻,就不再详述了。
3.再定义一个Tool类对爬取的网页内容进行后续处理(定义在BDTB前)
class Tool:
# 去除img标签,7位长空格
removeImg = re.compile('| {7}|')
# 删除超链接标签
removeAddr = re.compile('|')
# 把换行的标签换为\n
replaceLine = re.compile('
|# 将表格制表
替换为\treplaceTD = re.compile('
')# 把段落开头换为\n加空两格
replacePara = re.compile('
')# 将换行符或双换行符替换为\n
replaceBR = re.compile('
|
')
# 将其余标签剔除
removeExtraTag = re.compile('<.>')
def replace(self, x):
x = re.sub(self.removeImg, "", x)
x = re.sub(self.removeAddr, "", x)
x = re.sub(self.replaceLine, "\n", x)
x = re.sub(self.replaceTD, "\t", x)
x = re.sub(self.replacePara, "\n ", x)
x = re.sub(self.replaceBR, "\n", x)
x = re.sub(self.removeExtraTag, "", x)
# strip()将前后多余内容删除
return x.strip()
这个类的作用就是将Spider爬取的正文规范化,去除掉了很多多余的东西,图片链接啊之类的。前后对比效果参考资料里也是有的。
4.大功告成,调用看看
baseURL = 'https://tieba.baidu.com/p/6462468634'
bdtb = BDTB(baseURL, 0)
page = bdtb.getPage(1)
items = bdtb.getContent(page)
输出效果如下:
对比原帖子,一楼是楼主的长文,之后是网友的跟帖。我没有为了美观加入分割线,读者想加的话非常简单,最后的阅读效果应该是非常好的。
经过以上几个步骤就可以获得能够进行NLP处理的一段一段的贴文了,也可以进行人工标注了(还是无从下手啊),是不是很简单~~
题外话:参考资料的文章最后更新于2016年,那年科比退役。昨日这位巨星不幸逝世...2020年迎来一个地狱般的开局。即便这样还是要努力去生活,一切都会好起来的!