【UCAS自然语言处理作业一】利用BeautifulSoup爬取中英文数据，计算熵，验证齐夫定律

前言

• 本文分别针对中文，英文语料进行爬虫，并在两种语言上计算其对应的熵，验证齐夫定律
• github: ShiyuNee/python-spider (github.com)

中文

数据爬取

本实验对四大名著的内容进行爬取，并针对四大名著的内容展开中文文本分析，统计熵，验证齐夫定律

• 爬取网站: https://5000yan.com/
• 以水浒传的爬取为例展示爬取过程

爬取界面

• 我们需要通过本页面，找到水浒传所有章节对应的url，从而获取每一个章节的信息

• 可以注意到，这里每个章节都在class=menu-item的li中，且这些项都包含在class=panbai的ul内，因此，我们对这些项进行提取，就能获得所有章节对应的url

• 以第一章为例，页面为

  • 可以看到，所有的正文部分都包含在class=grap的div内，因此，我们只要提取其内部所有div中的文字，拼接在一起即可获得全部正文

爬取代码

def get_book(url, out_path):
    root_url = url
    headers={'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Mobile Safari/537.36'} # chrome浏览器
    page_text=requests.get(root_url, headers=headers).content.decode()
    soup1=BeautifulSoup(page_text, 'lxml')
    res_list = []
	# 获取所有章节的url
    tag_list = soup1.find(class_='paiban').find_all(class_='menu-item')
    url_list = [item.find('a')['href'] for item in tag_list]
    for item in url_list: # 对每一章节的内容进行提取
        chapter_page = requests.get(item, headers=headers).content.decode()
        chapter_soup = BeautifulSoup(chapter_page, 'lxml')
        res = ''
        try:
            chapter_content = chapter_soup.find(class_='grap')
        except:
            raise ValueError(f'no grap in the page {item}')
        chapter_text = chapter_content.find_all('div')
        print(chapter_text)
        for div_item in chapter_text:
            res += div_item.text.strip()
        res_list.append({'text': res})
    write_jsonl(res_list, out_path)

• 我们使用beautifulsoup库，模拟Chrome浏览器的header，对每一本书的正文内容进行提取，并将结果保存到本地

数据清洗

• 因为文本中会有括号，其中的内容是对正文内容的拼音，以及解释。这些解释是不需要的，因此我们首先对去除括号中的内容。注意是中文的括号

  def filter_cn(text):
      a = re.sub(u"\\（.*?）|\\{.*?}|\\[.*?]|\\【.*?】|\\(.*?\\)", "", text)
      return a
  

• 使用结巴分词，对中文语句进行分词

  def tokenize(text):
      return jieba.cut(text)
  

• 删除分词后的标点符号项

  def remove_punc(text):
      puncs = string.punctuation + "“”，。？、‘’：！；"
      new_text = ''.join([item for item in text if item not in puncs])
      return new_text
  

• 对中文中存在的乱码，以及数字进行去除

  def get_cn_and_number(text):
       return re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039])","",text)
  

整体流程代码如下所示

def collect_data(data_list: list):
    voc = defaultdict(int)
    for data in data_list:
        for idx in range(len(data)):
            filtered_data = filter_cn(data[idx]['text'])
            tokenized_data = tokenize(filtered_data)
            for item in tokenized_data:
                k = remove_punc(item)
                k = get_cn_and_number(k)
                if k != '':
                    voc[k] += 1
    return voc

数据分析

针对收集好的字典类型数据（key为词，value为词出现的次数），统计中文的熵，并验证齐夫定律

• 熵的计算

  def compute_entropy(data: dict):
      cnt = 0
      total_num = sum(list(data.values()))
      print(total_num)
      for k, v in data.items():
          p = v / total_num
          cnt += -p * math.log(p)
      print(cnt)
  

• 齐夫定律验证（由于词项比较多，为了展示相对细节的齐夫定律图，我们仅绘制前200个词）

  def zip_law(data: dict):
      cnt_list = data.values()
      sorted_cnt = sorted(enumerate(cnt_list), reverse=True, key=lambda x: x[1])
      plot_y = [item[1] for item in sorted_cnt[:200]]
      print(plot_y)
      x = range(len(plot_y))
      plot_x = [item + 1 for item in x]
      plt.plot(plot_x, plot_y)
      plt.show()
  

实验结果

• 西游记

  • 熵：8.2221（共364221种token）

  

• 西游记+水浒传

  • 熵：8.5814（共836392种token）

    

• 西游记+水浒传+三国演义

  • 熵：8.8769（共1120315种token）

    

• 西游记+水浒传+三国演义+红楼梦

  • 熵：8.7349（共1585796种token）

    

英文

数据爬取

本实验对英文读书网站上的图书进行爬取，并针对爬取内容进行统计，统计熵，验证齐夫定律

• 爬取网站: Bilingual Books in English | AnyLang
• 以The Little Prince为例介绍爬取过程

爬取界面

• 我们需要通过本页面，找到所有书对应的url，然后获得每本书的内容

• 可以注意到，每本书的url都在class=field-content的span中，且这些项都包含在class=ajax-link的a内，因此，我们对这些项进行提取，就能获得所有书对应的url

• 以The Little Prince为例，页面为

  

  • 可以看到，所有的正文部分都包含在class=page n*的div内，因此，我们只要提取其内部所有div中的
    内的文字，拼接在一起即可获得全部正文

动态爬取

需要注意的是，英文书的内容较少，因此我们需要爬取多本书。但此页面只有下拉后才会加载出新的书，因此我们需要进行动态爬取

• 使用selenium加载Chrome浏览器，并模拟浏览器下滑操作，这里模拟5次

  def down_ope(url):
      driver = webdriver.Chrome()  # 根据需要选择合适的浏览器驱动  
      driver.get(url)  # 替换为你要爬取的网站URL  
      for _ in range(5):
          driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")  
          time.sleep(5)
      return driver
  

• 将driver中的内容传递给BeautifulSoup

      soup1=BeautifulSoup(driver.page_source, 'lxml')
      books = soup1.find_all(class_ = 'field-content')
  

整体代码为

def get_en_book(url, out_dir):
    root_url = url + '/en/books/en'
    headers={'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Mobile Safari/537.36'} # chrome浏览器
    driver = down_ope(root_url)
    soup1=BeautifulSoup(driver.page_source, 'lxml')
    books = soup1.find_all(class_ = 'field-content')
    book_url = [item.a['href'] for item in books]
    for item in book_url:
        if item[-4:] != 'read':
            continue
        out_path = out_dir + item.split('/')[-2] + '.jsonl'
        time.sleep(2)
        try:
            book_text=requests.get(url + item, headers=headers).content.decode()
        except:
            continue
        soup2=BeautifulSoup(book_text, 'lxml')
        res_list = []
        sec_list = soup2.find_all('div', class_=re.compile('page n.*'))
        for sec in sec_list:
            res = ""
            sec_content = sec.find_all('p')
            for p_content in sec_content:
                text = p_content.text.strip()
                if text != '':
                    res += text
            print(res)
            res_list.append({'text': res})
        write_jsonl(res_list, out_path)

数据清洗

• 使用nltk库进行分词

  def tokenize_en(text):
      sen_tok = nltk.sent_tokenize(text)
      word_tokens = [nltk.word_tokenize(item) for item in sen_tok]
      tokens = []
      for temp_tokens in word_tokens:
          for tok in temp_tokens:
              tokens.append(tok.lower())
      return tokens
  

• 对分词后的token删除标点符号

  def remove_punc(text):
      puncs = string.punctuation + "“”，。？、‘’：！；"
      new_text = ''.join([item for item in text if item not in puncs])
      return new_text
  

• 利用正则匹配只保留英文

  def get_en(text):
      return re.sub(r"[^a-zA-Z ]+", '', text)
  

整体流程代码如下

def collect_data_en(data_list: list):
    voc = defaultdict(int)
    for data in data_list:
        for idx in range(len(data)):
            tokenized_data = tokenize_en(data[idx]['text'])
            for item in tokenized_data:
                k = remove_punc(item)
                k = get_en(k)
                if k != '':
                    voc[k] += 1
    return voc

数据分析

数据分析部分与中文部分的分析代码相同，都是利用数据清洗后得到的词典进行熵的计算，并绘制图像验证齐夫定律

实验结果

• 10本书（1365212种token）

  • 熵：6.8537

  

• 30本书（3076942种token）

  • 熵：6.9168

    

• 60本书（4737396种token）

  • 熵：6.9164

    

结论

从中文与英文的分析中不难看出，中文词的熵大于英文词的熵，且二者随语料库的增大都有逐渐增大的趋势。

• 熵的数值与tokenizer，数据预处理方式有很大关系
• 不同结论可能源于不同的数据量，tokenizer，数据处理方式

我们分别对中英文在三种不同数据量熵对齐夫定律进行验证

• 齐夫定律：一个词（字）在语料库中出现的频率，与其按照出现频率的排名成反比

• 若齐夫定律成立

  • 若我们直接对排序（Order）与出现频率（Count）进行绘制，则会得到一个反比例图像
  • 若我们对排序的对数（Log Order）与出现频率的对数（Log Count）进行绘制，则会得到一条直线
  • 这里由于长尾分布，为了方便分析，只对出现次数最多的top 1000个token进行绘制

• 从绘制图像中可以看出，齐夫定律显然成立