爬取百度百科5A景点摘要并实现分词

一、编程环境

操作系统:Win 10
语言:Python 3.6
分词工具:结巴分词

二、程序目录

1.png

这里baike_spider.py用来爬取景点摘要,内容放在senic_spots目录中;
cut_word.py用来分词,分词结果放在cut_word_result中;
scenic_spots_5A.txt中列出了所要爬取的景点的名称,具体内容如下:

北京故宫
天坛公园
颐和园
八达岭
慕田峪长城
明十三陵
恭王府
北京奥林匹克公园

注意,scenic_spots和cut_word_result这两个文件夹不需要提前创建,程序运行时会自动创建。

三、爬取景点摘要

baike_spider.py中的代码:

import os
import time
import codecs
import shutil
from selenium import webdriver
from selenium.webdriver.common.keys import Keys


driver = webdriver.Chrome(executable_path="C:\Program Files (x86)\Google\Chrome\Application\chromedriver.exe")


def getInfoBox(spotname, filename):
    try:
        print(filename)
        info = codecs.open(filename,'w','utf-8')

        driver.get("http://baike.baidu.com/")
        elem_input = driver.find_element_by_xpath("//form[@id='searchForm']/input")
        time.sleep(2)
        spotname = spotname.rstrip('\n')        # 景点名称是从文件中读取的,含有换行符(最后一行的景点名称可能不含护身符)
        elem_input.send_keys(spotname)
        elem_input.send_keys(Keys.RETURN)

        info.write(spotname + '\r\n')       # codecs不支持'\n'换行
        print (driver.current_url)
        print (driver.title)

        elem_value = driver.find_elements_by_xpath("//div[@class='lemma-summary']/div")
        for value in elem_value:
            print (value.text)
            info.writelines(value.text + '\r\n')
        time.sleep(2)
        info.close()

    except Exception as e:  
        print ("Error: ", e)
    finally:
        pass


def main():
    # 创建路径
    path = "scenic_spots\\"
    if os.path.isdir(path):
        shutil.rmtree(path, True)
    os.makedirs(path)

    source = open("scenic_spots_5A.txt", 'r')
    num = 1
    for scenicspot in source:
        name = "%03d" % num
        fileName = path + str(name) + ".txt"
        getInfoBox(scenicspot, fileName)
        num += 1
    print ('End Read Files!')
    time.sleep(10)

    source.close()
    driver.close()

if __name__ == '__main__':
    main()

运行结果:
在scenic_spots目录下,生成了8个txt文件,每个文件存放一个景点的摘要内容

2.png

3.png

四、实用结巴工具实现分词

cut_word.py中的代码:

import sys
import codecs
import os
import shutil
import jieba


def read_file_cut():
    #create path
    path = "scenic_spots\\"
    respath = "cut_word_result\\"
    if os.path.isdir(respath):
        shutil.rmtree(respath, True)
    os.makedirs(respath)

    num = 1
    while num <= 8:
        name = "%03d" % num 
        fileName = path + str(name) + ".txt"
        source = open(fileName, 'r', encoding = 'utf-8')
        line = source.readline()
        line = line.rstrip('\n')

        resName = respath + str(name) + ".txt"
        if os.path.exists(resName):
            os.remove(resName)
        result = codecs.open(resName, 'w', encoding = 'utf-8')

        while line != "":
            seglist = jieba.cut(line,cut_all=False)  #精确模式
            output = ' '.join(list(seglist))         #空格拼接
            print (output)
            result.write(output + '\r\n')
            line = source.readline()
        else:
            print ('End file: ' + str(num))
            source.close()
            result.close()
        num += 1
    else:
        print ('End All')


if __name__ == '__main__':
    read_file_cut()

运行结果:
在cut_word_result目录下,生成了8个文件,每个文件存放的是分词后的内容:

4.png

5.png

五、参考

https://blog.csdn.net/eastmount/article/details/50256163


TopCoder & Codeforces & AtCoder交流QQ群:648202993
更多内容请关注微信公众号
wechat_public_header.jpg

相关文章
相关标签/搜索