Python爬虫之二：自制简易词典

运行平台： Windows
Python版本： Python3.6
IDE： PyCharm
其他工具： Chrome浏览器

---

作为一个程序员，会经常查阅一些技术文档和技术网站，很多都是英文的，遇到不认识的词就要查，词典的使用频率也颇高，既然是程序员，高逼格的方式当然是做一个词典，此为动机。

1.寻找词典来源

​ 我寻找一个好的词典的标准是：解释到位、数据抓取方便。

​ 几个候选词典有：百度翻译、金山词霸、有道翻译、谷歌翻译。

​ 最终选定金山词霸作为词源，原因：

• 大学时就使用金山词霸；
• url比较简单。

2.数据抓取

2.1 寻找URL

​ 打开金山词霸在线翻译首页http://www.iciba.com/，输入一个单词进行查询，此处以“call”为例，查询页面出来以后看URL，浏览器的地址栏内容为http://www.iciba.com/call 。猜想查询URL格式为http://www.iciba.com/后面跟上要查询的单词（或词语），将call改为其他单词果然跳出相应的查询页面，中文也一样，由此可以证明以上猜想，也可以看出查询的URL真的简单明了。

2.2 寻找数据

​ 我只是想弄懂单词的意思，所以我需要的数据是如图所示部分：

​ 在浏览器按F12键调出开发者工具，然后刷新页面，我们要在页面中寻找我们需要的数据，按图示操作：

​ 确定好了数据区域是< ul class=”base-list switch_part”>和< /ul>中间的部分，接下来就把这些数据都抓取下来吧。

2.3 抓取数据

​ 抓取数据用到了urllib.request库，解析html用到了BeautifulSoup库。所以首先导入这两个库。

import urllib.request
from bs4 import BeautifulSoup

​ 需要将整个网页内容抓取下来，用如下代码实现：

root_url = 'http://www.iciba.com/'
word = input('请输入想要查询的单词（或"q"退出）：\n')
url = root_url +  word  # 拼接URL

response = urllib.request.urlopen(url)
html = response.read()

​ 有了html内容，接下来要把 base-list switch_part 标签里的内容读取出来，BeautifulSoup里的find可以实现此功能：

soup = BeautifulSoup(html, 'lxml')
tag_soup = soup.find(class_='base-list switch_part')
print(tag_soup)

​ 获得输出结果为：

<li class="clearfix">
    <span class="prop">v.span>
    <p>
        <span>呼唤，喊叫；span>
        <span>召唤，叫来，召集；span>
        <span>下令，命令；span>
        <span>打电话给span>
    p>
li>, 
<li class="clearfix">
    <span class="prop">n.span>
    <p>
        <span>喊叫，大声喊；span>
        <span>电话联络；span>
        <span>必要，理由；span>
        <span>要求span>
    p>
li>

​ 可以看出里面包含了两个< li class=”clearfix”>< /li>，这表明call这个单词有两个词性，接下来就要解析出所有的词性，用到BeautifulSoup的find_all函数：

meanings = tag_soup.find_all(class_='clearfix')
for i in range(len(meanings)):
    translation = meanings[i].get_text()    # 获取文本内容
    print(translation.strip())  # 去掉字符串开头和结尾的空行
    print('='*30)   # 华丽的分割线

​ 最后输出结果如图所示，这已经是我想要的结果了。

3. 改进优化

​ 该词典的的基本功能已经完成，但是存在几个缺陷。

3.1 查询中文

​ 查询英语单词已经没有问题了，那么查询中文试试：

​ 程序报错，是编码问题，是urllib.request.urlopen函数导致的，我们只需将URL拼接改为url = root_url + urllib.parse.quote(word)即可，试一下：

3.2 查询不存在的单词

​ 如果查询不存在的单词结果会如何：

​ 失败是因为在tag_soup = soup.find(class_='base-list switch_part')这一行执行完之后，tag_soup的值为None，已经不是BeautifulSoup里的数据类型了，已经不能使用find_all 函数了。那么在此处做一个判断：

• 如果tag_soup为None，打印提醒语句并等待下一次输入
• 如果tag_soup不为None，那么继续执行下面的解析。

if tag_soup == None:    # 防止输入的单词没有释义
    print(Fore.GREEN + '输入的单词不存在，重新输入.')
else:
    meanings = tag_soup.find_all(class_='clearfix')
    for i in range(len(meanings)):
        translation = meanings[i].get_text()
        print(ranslation.strip())   # 去掉字符串开头和结尾的空行
        print('='*30)

3.3 停止

​ 为了可以循环查询，将用户输入、查询、显示的步骤放到while True:语句里，那么如何优雅的退出呢？判断输入，我以字母‘q’为退出标识。

while True:
    word = input('请输入想要查询的单词（或"q"退出）：\n')
    if word == 'q':
        break
    else:
        ......(解析和显示工作)

3.4 给你点颜色看看

​ 这个工具是要自己使用的，最终是在控制台下显示，一团黑白相间的东西，没有美感，那么如何美化输出呢？将输出染上颜色。

​ 控制台输出上色需要用到colorama第三方库，使用pip进行安装：

pip install colorama

​ 引入该库：

from colorama import init,Fore # init是初始化，Fore是字体颜色

init(autoreset=True) # 初始化

​ 将几个print语句进行上色：

print(Fore.GREEN + '输入的单词不存在，重新输入.')
......
print(Fore.CYAN + translation.strip())
print(Fore.RED + '='*30)

​ 来看一下最终效果：

​ 至此，一个简单的词典就完成了。

4. 如何使用

4.1 直接运行py文件

如果你已经开发完此词典说明你电脑里已经有python环境了，那么可以直接运行py文件。

1. 我已经将py文件的打开应用设置为python.exe了，所以可以直接双击运行。
2. 打开cmd，进入该py文件目录，执行python dict.py即可运行。

4.2 打包

​ 如果要给别人使用，那么打包成exe就是个完美的解决方案了。打包用到了pyinstaller第三方库，执行pip install pyinstaller进行安装。此处打包用到了pyinstaller的两个参数：

参数	含义
-F	指定打包后只生成一个exe格式的文件
-i	改变生成程序的icon图标

​ 到网上去下载一个ico文件作为改程序的图标(程序员也是要美感的)，推荐一个icon下载网站http://www.easyicon.net/ 。打开CMD，进入到dict.py所在文件夹执行如下指令：

pyinstaller -F -i Dictionary.ico dict.py

​ 在dist目录下就可以看到生成的exe了。把dict.exe放到某个目录下，将快捷方式放到桌面，或者将该目录放到系统环境变量中，在cmd下直接敲dict.exe就能运行了，酷！

​ 欣赏一下最终效果：

5.完整代码

# -*- coding: utf-8 -*-
"""
Created on Sat Dec 16 2017

@author: WangQiang
"""

import urllib.request
from bs4 import BeautifulSoup
from colorama import init,Fore

init(autoreset=True)
root_url = 'http://www.iciba.com/'

while True:
    word = input('请输入想要查询的单词（或"q"退出）：\n')
    if word == 'q':
        break
    else:
        url = root_url +  urllib.parse.quote(word)  # 解决url中带有中文编译失败的问题
        response = urllib.request.urlopen(url)

        html = response.read()
        soup = BeautifulSoup(html, 'lxml')

        tag_soup = soup.find(class_='base-list switch_part')

        if tag_soup == None:    # 防止输入的单词没有释义
            print(Fore.GREEN + '输入的单词不存在，重新输入.')
        else:
            meanings = tag_soup.find_all(class_='clearfix')
            for i in range(len(meanings)):
                translation = meanings[i].get_text()
                print(Fore.CYAN + translation.strip())  # 去掉字符串开头和结尾的空行
                print(Fore.RED + '='*30)

欢迎关注公众账号：

---