第4.1章飞鸟集爬虫采用结巴分词随机排序存储

爱被打了一巴掌 2022-04-22 08:38 96阅读 0赞

这个爬虫非常简单，但是里面主要是通过结巴分词，`pip3 install jieba`，将泰戈尔的《飞鸟集》  
从网站上获取飞鸟集后，将文档进行逐行过滤，最终生成题目和答案两个文档。

''' 飞鸟集（泰戈尔） '''
    import scrapy
    import re
    import jieba
    import random
    from pyquery import PyQuery as pq
    
    class FeiNiaoSpider(scrapy.Spider):
        name = "feiniao"
        start_urls = [
            "http://www.eywedu.net/taigeer/002(1).htm",
        ]
    
        def parse(self, response):
            soup = pq(response.body_as_unicode())
            content = soup('div.Section1 td:eq(1) p').text()
            lines = content.split(' ')
            valids = self.filter_invalid(lines)
            # w+，表示每次都会覆盖文件。
            timu_file = open('../files/timu.txt','w+')
            daan_file = open('../files/daan.txt','w+')
            for para in valids:
                self.rw_file(para,timu_file,daan_file)
            # 不要忘了关掉文件
            timu_file.close()
            daan_file.close()
    
    
        def filter_invalid(self, lines):
            valids = []
            # 先过滤长度小于6
            lines = list(filter(lambda s:len(s)>6, lines))
            for line in lines:
                if re.search('\n',line):
                    valids.extend(line.split('\n'))
                else:
                    valids.append(line)
            # 根据长度排序，字少的简单一些，对小朋友来说就容易造句了。
            valids.sort(key=lambda i:len(i),reverse=False)
            return valids
    
        def rw_file(self,para,timu_file,daan_file):
            c = jieba.cut(para,cut_all=True)
            e = " ".join(c)
            f = e.split(" ")
            # 这个将分词进行随机打乱。
            random.shuffle(f)
            h = ' '.join(f)
            # 将题目和答案写到对应的文档里面曲。
            timu_file.writelines(h+"\n\n\n\n")
            daan_file.writelines(para+"\n\n\n\n")

最终的结果是  
![1][]

[1]: /images/20220422/24f0e7bfe77c4de6a465d4f340b0f35e.png