【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

文章目录

    • 前言
    • 中文
      • 数据爬取
        • 爬取界面
        • 爬取代码
      • 数据清洗
      • 数据分析
      • 实验结果
    • 英文
      • 数据爬取
        • 爬取界面
        • 动态爬取
      • 数据清洗
      • 数据分析
      • 实验结果
    • 结论

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-itemli中,且这些项都包含在class=panbaiul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=grapdiv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)

    【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_第1张图片

  • 西游记+水浒传

    • 熵:8.5814(共836392种token)

      【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_第2张图片

  • 西游记+水浒传+三国演义

    • 熵:8.8769(共1120315种token)

      【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_第3张图片

  • 西游记+水浒传+三国演义+红楼梦

    • 熵:8.7349(共1585796种token)

      【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_第4张图片

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-contentspan中,且这些项都包含在class=ajax-linka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

    【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_第5张图片

    • 可以看到,所有的正文部分都包含在class=page n*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
    
  • 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

    【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_第6张图片

  • 30本书(3076942种token)

    • 熵:6.9168

      【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_第7张图片

  • 60本书(4737396种token)

    • 熵:6.9164

      【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_第8张图片

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

你可能感兴趣的:(人工智能,自然语言处理,beautifulsoup)