Python網絡爬蟲：爬取古詩文中的某個制定詩句來實現搜索
抓取目標站點的準備工作
Python的版本是：3.4.3.
爬取的目標是： 古詩文網(www.xzslx.net)
隨意打開一個古詩文網的古詩頁面，查看它的網頁地址就能看到，古詩的地址基本是 “www.xzslx.net/shi/+ id + .html” 構成，如下圖：
然後對古詩文網的古詩總覽頁面可以看到分頁符 最下方：
總共包括29830篇古詩文可以抓取，確定了”/shi/”後面數字的範圍。
html頁面解析庫：BeautifulSoup
安裝方式是: $pip3 install BeautifulSoup4
主要參考文獻：《python網絡數據采集》第一、二章
代碼解析：
#!usr/bin/python3
# -*- coding:utf-8 -*-
import re
from urllib.request import urlopen
from urllib.erroe import HTTPError
from bs4 import BeautifulSoup
def getPage(url) :
try :
html = urlopen(url)
except HTTPError as e :
return None
try :
bsObj = BeautifulSoup(html)
except AttributeError as e :
return None
return bsObj
def getUrl(pg) :
return ''.join(('http://www.xzslx.net/shi/', str(pg),'.html'))
f = open('./result.txt', 'wt')
for pg in range(0, 49149) :
html = getPage(getUrl(pg))
cont = (html.findAll('div', {'class' : 'son2'}))
if cont != None and len(cont) > 1 :
cont = cont[1].get_text()
poem = cont[cont.find('原文：') + 4:]
sentList = re.findall(r'(.*?[。！？])', poem)
for sentc in sentList :
if '月' in sentc :
print (sentc, '\t--- <', html.find('h1').get_text(), '>', file = f)
print ('--- page', pg, ' dealed ---')getPage(url) 函數的主要參考請看《python網絡數據采集》第9頁裏面的代碼。采用try...catch...防止采集的頁面是發生異常而導致爬蟲終止。
getUrl(pg) 函數主要是方便url的組成，了解join()函數是python的基礎，很簡單不用細說。
open() 函數用於打開文檔，這裏我打開一個 result.txt 的文檔存放爬取的結果。
名為html的變量代表的是一個通過getPage()函數獲取的BeautifulSoup對象，觀察原頁面可發現詩歌內容存放在一個屬性“class = ‘son2’”的div內，而且是html文檔中第二個這樣的標簽(第一個這樣的標簽是搜索框)。
使用get_text()函數獲取<div class = 'son2'> 的文字內容，整首詩存放在“原文：”的後面，故在所獲的內容中找到”原文：”的位置並向後偏移3個位置加一個換行符總共4個字符，便得到了原詩的內容。
詩歌的單句以“。”， “！”， “？”結尾，故將詩句拆分成單句的正則表達式為 '(.*?[。！？])' , “.*?” 表示python正則中的非貪婪模式，[]內的內容表示任選其一，()則是為了找到匹配結果並存放。
得到單句以後只需要判斷”月”字是否在詩句中即可，有則輸出到result.txt 中，沒有則判斷下一句。
print ('---page', pg, 'dealed---') 在命令行裏輸出爬取的狀態，方便目測爬取的進度。
最後的結果是：
Python網絡爬蟲：爬取古詩文中的某個制定詩句來實現搜索