共计 5425 个字符，预计需要花费 14 分钟才能阅读完成。
项目简介
本文将介绍一个笔者自己的项目：自制简单的诗歌搜索系统。该系统主要的实现功能如下：指定一个关键词，检索出包含这个关键词的诗歌，比如关键词为“白云”，则检索出的诗歌可以为王维的《送别》，内容为“下马饮君酒，问君何所之？君言不得意，归卧南山陲。但去莫复问，白云无尽时。”该项目使用的 Python 模块为：
requests
BeautifulSoup
pymongo
tornado
其中，requests 模块和 BeautifulSoup 模块用来制作爬虫，爬取网上的诗歌。pymongo 模块用来将爬取的诗歌写入到 MongoDB 数据库。tornado 模块用于网页端展示。该项目主要分以下三步实现：
收集数据：使用爬虫，爬取网上的诗歌作为项目的数据集；
存入数据库：将爬取到的诗歌写入到 MongoDB 数据库；
网页展示：利用 tornado 框架实现诗歌搜索功能。
该项目的结构如下：
数据收集
首先，我们利用 Python 爬虫来爬取诗歌，存为 CSV 文件 poem.csv。爬取的网址为：https://www.gushiwen.org。由于仅是展示该项目的思路，因此，只爬取了该页面中的唐诗三百首、古诗三百、宋词三百、宋词精选，一共大约 1100 多首诗歌。实现该爬虫的代码文件为 poem_scrape.py，代码如下：
# -*- coding: utf-8 -*-
import re
import requests
from bs4 import BeautifulSoup
import pandas as pd
# 爬取的诗歌网址
urls = [‘https://www.gushiwen.org/gushi/tangshi.aspx’,
‘https://www.gushiwen.org/gushi/sanbai.aspx’,
‘https://www.gushiwen.org/gushi/songsan.aspx’,
‘https://www.gushiwen.org/gushi/songci.aspx’
]
poem_links = []
# 诗歌的网址
for url in urls:
# 请求头部
headers = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36’}
req = requests.get(url, headers=headers)
soup = BeautifulSoup(req.text, “lxml”)
content = soup.find_all(‘div’, class_=”sons”)[0]
links = content.find_all(‘a’)
for link in links:
poem_links.append(link[‘href’])
# print(poem_links)
# print(len(poem_links))
content_list = []
title_list = []
dynasty_list = []
poet_list = []
# 爬取诗歌页面
def get_poem(url):
#url = ‘https://so.gushiwen.org/shiwenv_45c396367f59.aspx’
# 请求头部
headers = {‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36’}
req = requests.get(url, headers=headers)
soup = BeautifulSoup(req.text, “lxml”)
# 诗歌内容
poem = soup.find(‘div’, class_=’contson’).text.strip()
poem = poem.replace(‘ ‘, ”)
poem = re.sub(re.compile(r”\([\s\S]*?\)”), ”, poem)
poem = re.sub(re.compile(r”（[\s\S]*?）”), ”, poem)
poem = re.sub(re.compile(r”。\([\s\S]*?）”), ”, poem)
poem = poem.replace(‘!’, ‘！’).replace(‘?’, ‘？’).replace(‘\n’, ”)
content = poem
if content:
content_list.append(content)
else:
content_list.append(”)
# 诗歌朝代，诗人
dynasty_poet = soup.find(‘p’, class_=’source’).text
if ‘：’ in dynasty_poet:
dynasty, poet = dynasty_poet.split(‘：’)
else:
dynasty, poet = ”, ”
dynasty_list.append(dynasty)
poet_list.append(poet)
# 诗歌标题
title = soup.find(‘h1’).text
if title:
title_list.append(title)
else:
title_list.append(”)
# 爬取诗歌
for url in poem_links:
get_poem(url)
# 写入至 csv 文件
df = pd.DataFrame({‘title’: title_list,
‘dynasty’: dynasty_list,
‘poet’: poet_list,
‘content’: content_list
})
print(df.head())
df.to_csv(‘./poem.csv’, index=False)
储存的 poem.csv 的前几行如下：
数据库
数据收集完毕后，我们需要将这些数据出访到数据库中，便于后续的调用，在这里选择 MongoDB。利用文件 write2mongodb.py 文件可以将刚才爬取到的诗歌存放至 MongoDB 数据库中，完整的代码如下：
import pandas as pd
from pymongo import MongoClient
# 连接 MongoDB
conn = MongoClient(‘mongodb://localhost:27017/’)
db = conn[“test”]
# 插入诗歌
df = pd.read_csv(‘poem.csv’)
columns = [‘title’, ‘dynasty’, ‘poet’, ‘content’]
for i in range(df.shape[0]):
print(i)
row = df.iloc[i, :]
db.poem.insert(dict(zip(columns, row[columns])))
不到一分钟，我们可以看到 MongoDB 中的内容如下：
前端展示
准备好数据集后，我们需要可视化地展示诗歌检索功能，我们选择 tornado 这个框架来实现。诗歌检索功能为：指定一个关键词，检索出包含这个关键词的诗歌。关键词由用户输入，提交 HTTP 请求，在后台实现诗歌检索功能，然后在前端页面展示出来。实现的 server.py 的代码如下：
# -*- coding: utf-8 -*-
import random
import os.path
import tornado.httpserver
import tornado.ioloop
import tornado.options
import tornado.web
from tornado.options import define, options
from pymongo import MongoClient
# 连接 MongoDB
conn = MongoClient(‘mongodb://localhost:27017/’)
coll = conn[“test”].poem
# 定义端口为 8000
define(“port”, default=8000, help=”run on the given port”, type=int)
# GET 请求
class QueryHandler(tornado.web.RequestHandler):
# get 函数
def get(self):
self.render(‘query.html’)
# POST 请求
# POST 请求参数：query_string
class ResultHandler(tornado.web.RequestHandler):
# post 函数
def post(self):
query = self.get_argument(‘query_string’)
res = list(coll.find({‘content’: {‘$regex’: query}}))
if len(res) > 0:
result = random.sample(res, 1)[0]
del result[“_id”]
title = result[‘title’]
dynasty = result[‘dynasty’]
poet = result[‘poet’]
content = result[‘content’]
else:
title = ”
dynasty = ”
poet = ”
content = ”
self.render(‘result.html’, query=query, title=title, dynasty=dynasty, poet=poet, content=content)
# 主函数
def main():
tornado.options.parse_command_line()
# 定义 app
app = tornado.web.Application(
handlers=[(r’/query’, QueryHandler), (r’/result’, ResultHandler)], #网页路径控制
template_path=os.path.join(os.path.dirname(__file__), “templates”) # 模板路径
)
http_server = tornado.httpserver.HTTPServer(app)
http_server.listen(options.port)
tornado.ioloop.IOLoop.instance().start()
main()
其中，query 路径对应的网页 query.html 的代码如下：
<!DOCTYPE html>
<html>
<head>
<meta charset=”UTF-8″>
<title>Poem Query</title>
</head>
<body>
<h2> 请输入查询 </h2>
<form method=”post” action=”/result”>
<p> 包含文字: <input type=”text” name=”query_string”></p>
<input type=”submit”>
</form>
</body>
</html>
result 路径对应的网页 result.html 如下：
<!DOCTYPE html>
<html>
<head>
<meta charset=”UTF-8″>
<title>Result</title>
<script>
//highlight query word in the page
function Func(){
var query = document.getElementById(“query”).innerHTML;
query = query.split(‘：’)[1];
if(query == ”){alert(‘ 查询词为空!’)}
else{
document.getElementById(“result”).innerHTML = document.getElementById(“result”).innerHTML.replace(new RegExp(query,’g’),'<mark>’+query+'</mark>’);
}
}
</script>
</head>
<body>
<font color=”red”><p id=”query”> 查询词：{{query}}</p></font>
<p> 标题：{{title}}</p>
<p> 朝代：{{dynasty}}</p>
<p> 诗人：{{poet}}</p>
<p id=”result”> 内容：{{content}}</p>
<a href=”/query”><button type=”button”> 返回 </button></a>
<button type=”button” onclick=”Func()”> 查询词高亮 </button>
</body>
使用示例
运行 server.py, 在浏览器中输入网址：http://localhost:8000/query，界面如下：
在其中输入搜索关键词，比如“白云”，则会显示一条随机的结果，如下：
点击“查询词高亮”，则查询词部分会高亮显示。
总结
本项目仅为展示诗歌检索的一种实现思路，仍有许多功能还待完善，后续将进一步补充实现。本项目的 github 地址为：https://github.com/percent4/P…。
注意：本人现已开通微信公众号：Python 爬虫与算法（微信号为：easy_web_scrape），欢迎大家关注哦~~
