Python 爬取诗词分析古人最喜欢用的诗词

"知之为知之，不知为不知，是知也~"，最近突然迷恋古诗词，体验下文人雅士，迁客骚人的生活，并跟随杜牧，李白感受下千百年前社会（给自己点赞~），不过突然我在想，这么多古诗，这么多作者，他们在写古诗的时候最喜欢的词语是啥子？来来来，让我们安排下~嘎嘎嘎~

                                                                      

1.  5分钟快速了解爬虫

爬虫（spider：网络蜘蛛）:是一个用脚本代替浏览器请求服务器获取服务器资源的程序（简单不？）

      

当然，各位看官，肯定知道咱们的python爬虫能做什么吧，我就在这里简单的总结下子.

                                                                      

数据收集（数据分析、人工智能）

模拟操作（测试、数据采集）

接口操作（自动化）

爬虫的原理:说到底，我们的爬虫是模拟web请求，不论学习什么框架我们都需要对http协议的请求和响应有所了解,看下图：

             

    用户去发送请求，给服务器，服务器这个碧池一看有用户请求我，我就回应，把自己的响应的数据发送给用户，并不要脸的把响应体发送给了用户，这里咱们做python爬虫的主要是想要拿到响应体，去蹂躏~嘎嘎嘎~

2.  beautifulsoup  匹配原则

什么是beautiful Soup?

简单来说:Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。

官方解释:Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

这里我不得不提醒下大家，我们爬虫常用的匹配有 re，xpath，bs。bs ，相比着前两种来说有点慢，嘿嘿~它的优点也有很多了，文档自动纠错啦，等等，大家不用怕，看工作需求~

                                                                        

 

2.1   bs的安装

环境介绍： pycharm 2018.2.3 + python 3.7.2 +windows

bs的安装 : pip install bs4

  首先必须要导入 bs4 库， 创建BeautifulSoup对象

from bs4 import BeautifulSoup as BS
text = '''


    
    


   

       

           

               Hello World
           
            

               风一般的男人
           
       
   
 

'''
soup = BS(text,"lxml")#前面是要解析的内容，后面是指定的解析器
print(soup.prettify())#转换字符串
print(type(soup.prettify()))
print(type(soup))

2.2    搜索文档树

说到bs了，咱们在这里就不得不提搜索文档树了，我们做爬虫主要做什么？无非就是提取数据啦，所以我们的bs肯定的有相对应的方法快速搜索咱们的响应体滴，从上往下，从头到脚，一个地方都不放过~（也可以具体选择某个地方），列德森and乡亲们来来，请出咱们的主角，find()和find_all()（自带bgm，啾~啾~啾~啾~~）

                                                                         

find()  和  find_all()

find_all()  :  搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件。

find() 和  find_all()  的区别: find直接返回元素的一个结果，find_all返回元素列表

find_all( name , attrs , recursive , text , **kwargs )

简单介绍参数:

name 参数可以查找所有名字为name的tag,字符串对象会被自动忽略掉；

name参数可以传入字符串、正则表达式、列表、True、自定义的方法等，但是各自代表的含义不一样。

字符串，在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容。

光说不练假把式，咱们废话不BB看下下面的具体代码段

1.  通过tag标签名：

print(soup.find('body'))

print(soup.find_all('body')

如果匹配成功将会匹配所有的tag

2.  通过具体的属性名

如果一个指定名字的参数不是搜索内置的一些参数名,搜索时会把该参数当作指定名字tag的属性来搜索;

例如：id=1

如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性；

 

如果传入 href 参数，Beautiful Soup会搜索每个tag的”href”属性；

使用多个指定名字的参数可以同时过滤tag的多个属性；

但是对于class ，可以使用class_来搜索

#返回这个class_=‘p’的标签内容。

print(soup.find_all('p',class_='p'))

对于某些tag属性不能通过搜索得到值，可以使用attrs参数得到

#返回class为e的标签

print(soup.find_all(attrs={'class':'e'}))

ps:  bs 知识点我们略微的尝尝，当前所学的就够咱们今天用到滴，如果大家想深入美丽汤，可以去官方网站上呦~

                                                                   

博主到这个地方，冥思苦想，要想把湿人的词语，展示给小伙伴，到底用什么方法呢？matplotlib？echart？ nonono~,我灵光一闪就它-wordcloud了，来来来，各位看官请移步到wordcloud简单讲解

3.  wordcloud 使用详情

wordcloud  简单利用英语来看就是词云，它是以词语为基本单位，更加直观的展示出我们的内容。

ps：既然是以词语为单位，肯定先事先准备些小词，还好博主平时看书比较多，肉铺，蜜桃……（杠杠滴）

wordcloud 的安装:pip install wordcloud

大家顺便安装下：pip install jieba

1、基本格式
#导入词云
from wordcloud import WordCloud
#打开文件并且读取完全
f = open('1.txt','r').read()
#创建wc设个实例对象，里面可传递相应的参数
#generate根据文本生成词云
wc = WordCloud(
    background_color='white',
    width=500,
    height=366,
    margin=2
).generate(f)
#to_file 输出到文件
wc.to_file('./image/0.jpg')

运行结果展示：

                                         

以上代码还有个小小的坑，看看大家能不能排除下，抖个小小的机灵~嘻嘻~

                                                                          

好了，上边说了这么多，下面终于进入主题了，我要放大给大家看看实战：爬取中国唐诗宋词，体验文人雅士最常用的词语，小小的实战送给各位亲~

首先，咳咳~允许我把大致的流程来列出来，我要一步步往上爬，在最高点……

第一步 : 下载中国的唐诗宋词

第二步：把数据保存到本地

第三步：结巴分词

第四步：生成词云简单分析

下载唐诗宋词保存本地

                       

import re
import requests
from bs4 import BeautifulSoup
from concurrent.futures import ThreadPoolExecutor, wait, ALL_COMPLETED
#这是url地址
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'
        ]
#处理获取每个诗词的url地址
poem_links = []
for url in urls:
    # 请求头部
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36'}
    req = requests.get(url, headers=headers)
    #把爬取到的文本格式改成bs4可改变的格式
    soup = BeautifulSoup(req.text, "lxml")
    #定位到第一个class = sone的内容
    content = soup.find_all('div', class_="sons")[0]
    #获取该content 下所有a标签
    links = content.find_all('a')
    print(links)
    #进行比遍历，url地址拼接
    for link in links:
        poem_links.append('https://so.gushiwen.org'+link['href'])

poem_list = []
def get_poem(url):
    # 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"\([\s\S]*?\)"), '', poem)
    poem = re.sub(re.compile(r"（[\s\S]*?）"), '', poem)
    poem = re.sub(re.compile(r"。\([\s\S]*?）"), '', poem)
    poem = poem.replace('!', '!').replace('?', '？')
    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))
print(poems)
for poem in poems:
    poem = poem.replace('《','').replace('》','').replace('：', '').replace('“', '')
    print(poem)
    with open('poem.txt', 'a') as f:
        f.write(poem)
        f.write('\n')

生成词云进行分析：

import jieba
from wordcloud import WordCloud,STOPWORDS
wc = WordCloud(background_color='white',  # 背景颜色
               max_words=1000,  # 最大词数
               # mask=back_color,  # 以该参数值作图绘制词云，这个参数不为空时，width和height会被忽略
               max_font_size=100,  # 显示字体的最大值
               stopwords=STOPWORDS.add('国'),  # 使用内置的屏蔽词，再添加'苟利国'
               # font_path="C:/Windows/Fonts/STFANGSO.ttf",  # 解决显示口字型乱码问题，可进入C:/Windows/Fonts/目录更换字体
               font_path='C:\Windows\Fonts\simfang.ttf',
               random_state=42,  # 为每个词返回一个PIL颜色
               # width=1000,  # 图片的宽
               # height=860  #图片的长
               )
text = open('poem.txt').read()
# 该函数的作用就是把屏蔽词去掉，使用这个函数就不用在WordCloud参数中添加stopwords参数了
# 把你需要屏蔽的词全部放入一个stopwords文本文件里即可
def stop_words(texts):
    words_list = []
    word_generator = jieba.cut(texts, cut_all=False)  # 返回的是一个迭代器
    for word in word_generator:
        words_list.append(word)
    print(words_list)
    return ' '.join(words_list)  # 注意是空格
text = stop_words(text)
wc.generate(text)
# 显示图片
wc.to_file('maikou.png')

最终结果如下：

                              

啧啧啧~这样看来，古人喜欢用 的无非就几个：何处，君王，清晨，古寺，人心，

是不是我也可以来一首诗，展示下我的渊博的学识，嘎嘎嘎~

人心不知何处去，君王真想不早朝。

清晨起床一脸懵，真想古寺得禅道。

完美，溜了溜了~