Python網絡爬蟲：爬取古詩文中的某個制定詩句來實現搜索

 python編譯練習，為了將自己學習過的知識用上，自己找了很多資料。所以想做一個簡單的爬蟲，代碼不會超過60行。主要用于爬取的古詩文網站沒有什么限制而且網頁排布很規律，沒有什么特別的東西，適合入門級別的爬蟲。

抓取目標站點的準備工作

Python的版本是：3.4.3.

爬取的目標是： 古詩文網(www.xzslx.net)

隨意打開一個古詩文網的古詩頁面，查看它的網頁地址就能看到，古詩的地址基本是 “www.xzslx.net/shi/+ id + .html” 構成，如下圖：

然后對古詩文網的古詩總覽頁面可以看到分頁符 最下方：

總共包括29830篇古詩文可以抓取，確定了”/shi/”后面數字的范圍。

html頁面解析庫：BeautifulSoup 

安裝方式是: $pip3 install BeautifulSoup4

主要參考文獻：《python網絡數據采集》第一、二章

代碼解析：

#!usr/bin/python3
# -*- coding:utf-8 -*-

import re
from urllib.request import urlopen
from urllib.erroe import HTTPError
from bs4 import BeautifulSoup

def getPage(url) :
    try :
        html = urlopen(url)
    except HTTPError as e :
        return None
    try :
        bsObj = BeautifulSoup(html)
    except AttributeError as e :
        return None
    return bsObj

def getUrl(pg) :
    return ''.join(('http://www.xzslx.net/shi/', str(pg),'.html'))

f = open('./result.txt', 'wt')

for pg in range(0, 49149) :
    html = getPage(getUrl(pg))
    cont = (html.findAll('div', {'class' : 'son2'}))
    if cont != None and len(cont) > 1 :
        cont = cont[1].get_text()
        poem = cont[cont.find('原文：') + 4:]
        sentList = re.findall(r'(.*?[。！？])', poem)
        for sentc in sentList :
            if '月' in sentc :
                print (sentc, '\t--- <', html.find('h2').get_text(), '>', file = f)
    print ('--- page', pg, ' dealed ---')

getPage(url) 函數的主要參考請看《python網絡數據采集》第9頁里面的代碼。采用try...catch...防止采集的頁面是發生異常而導致爬蟲終止。

getUrl(pg) 函數主要是方便url的組成，了解join()函數是python的基礎，很簡單不用細說。 

open() 函數用于打開文檔，這里我打開一個 result.txt 的文檔存放爬取的結果。 

名為html的變量代表的是一個通過getPage()函數獲取的BeautifulSoup對象，觀察原頁面可發現詩歌內容存放在一個屬性“class = ‘son2’”的div內，而且是html文檔中第二個這樣的標簽(第一個這樣的標簽是搜索框)。

使用get_text()函數獲取<div class = 'son2'> 的文字內容，整首詩存放在“原文：”的后面，故在所獲的內容中找到”原文：”的位置并向后偏移3個位置加一個換行符總共4個字符，便得到了原詩的內容。

詩歌的單句以“。”， “！”， “？”結尾，故將詩句拆分成單句的正則表達式為  '(.*?[。！？])' , “.*?” 表示python正則中的非貪婪模式，[]內的內容表示任選其一，()則是為了找到匹配結果并存放。

得到單句以后只需要判斷”月”字是否在詩句中即可，有則輸出到result.txt 中，沒有則判斷下一句。

print ('---page', pg, 'dealed---') 在命令行里輸出爬取的狀態，方便目測爬取的進度。

最后的結果是：