Python爬虫之诗歌接龙

2019 年 10 月 8 日
筆記

作者 | jclian

来源 | Python爬虫与算法

介绍

本文将展示如何利用Python爬虫来实现诗歌接龙。

该项目的思路如下：

利用爬虫爬取诗歌，制作诗歌语料库；
将诗歌分句，形成字典：键（key）为该句首字的拼音，值（value）为该拼音对应的诗句，并将字典保存为pickle文件；
读取pickle文件，编写程序，以exe文件形式运行该程序。

该项目实现的诗歌接龙，规则为下一句的首字与上一句的尾字的拼音（包括声调）一致。下面将分步讲述该项目的实现过程。

诗歌语料库

首先，我们利用Python爬虫来爬取诗歌，制作语料库。爬取的网址为：https://www.gushiwen.org，页面如下：

爬取的诗歌

由于本文主要为试了展示该项目的思路，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。为了加速爬虫，采用并发实现爬虫，并保存到poem.txt文件。完整的Python程序如下：

import re  import requests  from bs4 import BeautifulSoup  from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED    # 爬取的诗歌网址  urls = ['https://so.gushiwen.org/gushi/tangshi.aspx',          'https://so.gushiwen.org/gushi/sanbai.aspx',          'https://so.gushiwen.org/gushi/songsan.aspx',          'https://so.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('https://so.gushiwen.org'+link['href'])    poem_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")      poem = soup.find('div', class_='contson').text.strip()      poem = poem.replace(' ', '')      poem = re.sub(re.compile(r"([sS]*?)"), '', poem)      poem = re.sub(re.compile(r"（[sS]*?）"), '', poem)      poem = re.sub(re.compile(r"。([sS]*?）"), '', poem)      poem = poem.replace('!', '！').replace('?', '？')      poem_list.append(poem)    # 利用并发爬取  executor = ThreadPoolExecutor(max_workers=10)  # 可以自己调整max_workers,即线程的个数  # submit()的参数： 第一个为函数， 之后为该函数的传入参数，允许有多个  future_tasks = [executor.submit(get_poem, url) for url in poem_links]  # 等待所有的线程完成，才进入后续的执行  wait(future_tasks, return_when=ALL_COMPLETED)    # 将爬取的诗句写入txt文件  poems = list(set(poem_list))  poems = sorted(poems, key=lambda x:len(x))  for poem in poems:      poem = poem.replace('《','').replace('》','')                  .replace('：', '').replace('“', '')      print(poem)      with open('F://poem.txt', 'a') as f:          f.write(poem)          f.write('n')

该程序爬取了1100多首诗歌，并将诗歌保存至poem.txt文件，形成我们的诗歌语料库。当然，这些诗歌并不能直接使用，需要清理数据，比如有些诗歌标点不规范，有些并不是诗歌，只是诗歌的序等等，这个过程需要人工操作，虽然稍显麻烦，但为了后面的诗歌分句效果，也是值得的。

诗歌分句

有了诗歌语料库，我们需要对诗歌进行分句，分句的标准为：按照结尾为。？！进行分句，这可以用正则表达式实现。之后，将分句好的诗歌写成字典：键（key）为该句首字的拼音，值（value）为该拼音对应的诗句，并将字典保存为pickle文件。完整的Python代码如下：

import re  import pickle  from xpinyin import Pinyin  from collections import defaultdict    def main():      with open('F://poem.txt', 'r') as f:          poems = f.readlines()        sents = []      for poem in poems:          parts = re.findall(r'[sS]*?[。？！]', poem.strip())          for part in parts:              if len(part) >= 5:                  sents.append(part)        poem_dict = defaultdict(list)      for sent in sents:          print(part)          head = Pinyin().get_pinyin(sent, tone_marks='marks', splitter=' ').split()[0]          poem_dict[head].append(sent)        with open('./poemDict.pk', 'wb') as f:          pickle.dump(poem_dict, f)    main()

我们可以看一下该pickle文件（poemDict.pk）的内容：

pickle文件的内容（部分）

当然，一个拼音可以对应多个诗歌。

诗歌接龙

读取pickle文件，编写程序，以exe文件形式运行该程序。为了能够在编译形成exe文件的时候不出错，我们需要改写xpinyin模块的__init__.py文件，将该文件的全部代码复制至mypinyin.py，并将代码中的下面这句代码

data_path = os.path.join(os.path.dirname(os.path.abspath(__file__)),                               'Mandarin.dat')

改写为

data_path = os.path.join(os.getcwd(), 'Mandarin.dat')

这样我们就完成了mypinyin.py文件。接下来，我们需要编写诗歌接龙的代码（Poem_Jielong.py），完整代码如下：

import pickle  from mypinyin import Pinyin  import random  import ctypes    STD_INPUT_HANDLE = -10  STD_OUTPUT_HANDLE = -11  STD_ERROR_HANDLE = -12    FOREGROUND_DARKWHITE = 0x07  # 暗白色  FOREGROUND_BLUE = 0x09  # 蓝色  FOREGROUND_GREEN = 0x0a  # 绿色  FOREGROUND_SKYBLUE = 0x0b  # 天蓝色  FOREGROUND_RED = 0x0c  # 红色  FOREGROUND_PINK = 0x0d  # 粉红色  FOREGROUND_YELLOW = 0x0e  # 黄色  FOREGROUND_WHITE = 0x0f  # 白色    std_out_handle = ctypes.windll.kernel32.GetStdHandle(STD_OUTPUT_HANDLE)    # 设置CMD文字颜色  def set_cmd_text_color(color, handle=std_out_handle):      Bool = ctypes.windll.kernel32.SetConsoleTextAttribute(handle, color)      return Bool    # 重置文字颜色为暗白色  def resetColor():      set_cmd_text_color(FOREGROUND_DARKWHITE)    # 在CMD中以指定颜色输出文字  def cprint(mess, color):      color_dict = {                    '蓝色': FOREGROUND_BLUE,                    '绿色': FOREGROUND_GREEN,                    '天蓝色': FOREGROUND_SKYBLUE,                    '红色': FOREGROUND_RED,                    '粉红色': FOREGROUND_PINK,                    '黄色': FOREGROUND_YELLOW,                    '白色': FOREGROUND_WHITE                   }      set_cmd_text_color(color_dict[color])      print(mess)      resetColor()    color_list = ['蓝色','绿色','天蓝色','红色','粉红色','黄色','白色']    # 获取字典  with open('./poemDict.pk', 'rb') as f:      poem_dict = pickle.load(f)    #for key, value in poem_dict.items():      #print(key, value)    MODE = str(input('Choose MODE(1 for 人工接龙, 2 for 机器接龙): '))    while True:      try:          if MODE == '1':              enter = str(input('n请输入一句诗或一个字开始：'))              while enter != 'exit':                  test = Pinyin().get_pinyin(enter, tone_marks='marks', splitter=' ')                  tail = test.split()[-1]                  if tail not in poem_dict.keys():                      cprint('无法接这句诗。n', '红色')                      MODE = 0                      break                  else:                      cprint('n机器回复：%s'%random.sample(poem_dict[tail], 1)[0], random.sample(color_list, 1)[0])                      enter = str(input('你的回复：'))[:-1]                MODE = 0            if MODE == '2':              enter = input('n请输入一句诗或一个字开始：')                for i in range(10):                  test = Pinyin().get_pinyin(enter, tone_marks='marks', splitter=' ')                  tail = test.split()[-1]                  if tail not in poem_dict.keys():                      cprint('------>无法接下去了啦...', '红色')                      MODE = 0                      break                  else:                      answer = random.sample(poem_dict[tail], 1)[0]                      cprint('（%d）--> %s' % (i+1, answer), random.sample(color_list, 1)[0])                      enter = answer[:-1]                print('n（*****最多展示前10回接龙。*****）')              MODE = 0        except Exception as err:          print(err)      finally:          if MODE not in ['1','2']:              MODE = str(input('nChoose MODE(1 for 人工接龙, 2 for 机器接龙): '))

现在整个项目的结构如下（Mandarin.dat文件从xpinyin模块对应的文件夹下复制过来）：

项目文件

切换至该文件夹，输入以下命令即可生成exe文件：

pyinstaller -F Poem_jielong.py

生成的exe文件为Poem_jielong.exe，位于该文件夹的dist文件夹下。为了能够让exe成功运行，需要将poemDict.pk和Mandarin.dat文件复制到dist文件夹下。

测试运行

运行Poem_jielong.exe文件，页面如下：

exe文件开始页面

本项目的诗歌接龙有两种模式，一种为人工接龙，就是你先输入一句诗或一个字，然后就是计算机回复一句，你回复一句，负责诗歌接龙的规则；另一种模式为机器接龙，就是你先输入一句诗或一个字，机器会自动输出后面的接龙诗句（最多10个）。先测试人工接龙模式：

人工接龙

再测试机器接龙模式：

机器接龙

总结

该项目的Github地址为：https://github.com/percent4/Shicijielong