本文将介绍一个笔者自己的项目：自制简单的诗歌搜索系统。该系统主要的实现功能如下：指定一个关键词，检索出包含这个关键词的诗歌，比如关键词为“白云”，则检索出的诗歌可以为王维的《送别》，内容为“下马饮君酒，问君何所之？君言不得意，归卧南山陲。但去莫复问，白云无尽时。”
该项目使用的Python模块为：
requests
BeautifulSoup
pymongo
tornado
其中，requests模块和BeautifulSoup模块用来制作爬虫，爬取网上的诗歌。pymongo模块用来将爬取的诗歌写入到MongoDB数据库。tornado模块用于网页端展示。
该项目主要分以下三步实现：
收集数据：使用爬虫，爬取网上的诗歌作为项目的数据集；
存入数据库：将爬取到的诗歌写入到MongoDB数据库；
网页展示：利用tornado框架实现诗歌搜索功能。
该项目的结构如下：
首先，我们利用Python爬虫来爬取诗歌，存为CSV文件poem.csv。爬取的网址为：https://www.gushiwen.org 。由于仅是展示该项目的思路，因此，只爬取了该页面中的唐诗三百首、古诗三百、宋词三百、宋词精选，一共大约1100多首诗歌。
实现该爬虫的代码文件为poem_scrape.py，代码如下：
# -*- coding: utf-8 -*-import reimport requestsfrom bs4 import BeautifulSoupimport pandas as pd# 爬取的诗歌网址urls = ['https://www.gushiwen.org/gushi/tangshi.aspx', 'https://www.gushiwen.org/gushi/sanbai.aspx', 'https://www.gushiwen.org/gushi/songsan.aspx', 'https://www.gushiwen.org/gushi/songci.aspx' ]poem_links = []# 诗歌的网址for url in urls: # 请求头部 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'} req = requests.get(url, headers=headers) soup = BeautifulSoup(req.text, "lxml") content = soup.find_all('div', class_="sons")[0] links = content.find_all('a') for link in links: poem_links.append(link['href'])# print(poem_links)# print(len(poem_links))content_list = []title_list = []dynasty_list = []poet_list = []# 爬取诗歌页面def get_poem(url): #url = 'https://so.gushiwen.org/shiwenv_45c396367f59.aspx' # 请求头部 headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36'} req = requests.get(url, headers=headers) soup = BeautifulSoup(req.text, "lxml") # 诗歌内容 poem = soup.find('div', class_='contson').text.strip() poem = poem.replace(' ', '') poem = re.sub(re.compile(r"\([\s\S]*?\)"), '', poem) poem = re.sub(re.compile(r"（[\s\S]*?）"), '', poem) poem = re.sub(re.compile(r"。\([\s\S]*?）"), '', poem) poem = poem.replace('!', '！').replace('?', '？').replace('\n', '') content = poem if content: content_list.append(content) else: content_list.append('') # 诗歌朝代，诗人 dynasty_poet = soup.find('p', class_='source').text if '：' in dynasty_poet: dynasty, poet = dynasty_poet.split('：') else: dynasty, poet = '', '' dynasty_list.append(dynasty) poet_list.append(poet) # 诗歌标题 title = soup.find('h1').text if title: title_list.append(title) else: title_list.append('')# 爬取诗歌for url in poem_links: get_poem(url)# 写入至csv文件df = pd.DataFrame({'title': title_list, 'dynasty': dynasty_list, 'poet': poet_list, 'content': content_list })print(df.head())df.to_csv('./poem.csv', index=False)储存的poem.csv的前几行如下：
数据收集完毕后，我们需要将这些数据出访到数据库中，便于后续的调用，在这里选择MongoDB。利用文件write2mongodb.py文件可以将刚才爬取到的诗歌存放至MongoDB数据库中，完整的代码如下：
import pandas as pdfrom pymongo import MongoClient# 连接MongoDBconn = MongoClient('mongodb://localhost:27017/')db = conn["test"]# 插入诗歌df = pd.read_csv('poem.csv')columns = ['title', 'dynasty', 'poet', 'content']for i in range(df.shape[0]): print(i) row = df.iloc[i, :] db.poem.insert(dict(zip(columns, row[columns])))不到一分钟，我们可以看到MongoDB中的内容如下：
准备好数据集后，我们需要可视化地展示诗歌检索功能，我们选择tornado这个框架来实现。诗歌检索功能为：指定一个关键词，检索出包含这个关键词的诗歌。关键词由用户输入，提交HTTP请求，在后台实现诗歌检索功能，然后在前端页面展示出来。
实现的server.py的代码如下：
# -*- coding: utf-8 -*-import randomimport os.pathimport tornado.httpserverimport tornado.ioloopimport tornado.optionsimport tornado.webfrom tornado.options import define, optionsfrom pymongo import MongoClient# 连接MongoDBconn = MongoClient('mongodb://localhost:27017/')coll = conn["test"].poem#定义端口为8000define("port", default=8000, help="run on the given port", type=int)# GET请求class QueryHandler(tornado.web.RequestHandler): # get函数 def get(self): self.render('query.html')# POST请求# POST请求参数：query_stringclass ResultHandler(tornado.web.RequestHandler): # post函数 def post(self): query = self.get_argument('query_string') res = list(coll.find({'content': {'$regex': query}})) if len(res) > 0: result = random.sample(res, 1)[0] del result["_id"] title = result['title'] dynasty = result['dynasty'] poet = result['poet'] content = result['content'] else: title = '' dynasty = '' poet = '' content = '' self.render('result.html', query=query, title=title, dynasty=dynasty, poet=poet, content=content)# 主函数def main(): tornado.options.parse_command_line() # 定义app app = tornado.web.Application( handlers=[(r'/query', QueryHandler), (r'/result', ResultHandler)], #网页路径控制 template_path=os.path.join(os.path.dirname(__file__), "templates") # 模板路径 ) http_server = tornado.httpserver.HTTPServer(app) http_server.listen(options.port) tornado.ioloop.IOLoop.instance().start()main()其中，query路径对应的网页query.html的代码如下：
<!DOCTYPE html><html><head> <meta charset="UTF-8"> <title>Poem Query</title></head><body><h2>请输入查询</h2><form method="post" action="/result"><p>包含文字: <input type="text" name="query_string"></p><input type="submit"></form></body></html>
result路径对应的网页result.html如下：
<!DOCTYPE html><html><head> <meta charset="UTF-8"> <title>Result</title> <script>//highlight query word in the pagefunction Func(){var query = document.getElementById("query").innerHTML;query = query.split('：')[1];if(query == ''){alert('查询词为空!')}else{ document.getElementById("result").innerHTML = document.getElementById("result").innerHTML.replace(new RegExp(query,'g'),'<mark>'+query+'</mark>');}}</script></head><body><font color="red"><p id="query">查询词：{{query}}</p></font><p>标题：{{title}}</p><p>朝代：{{dynasty}}</p><p>诗人：{{poet}}</p><p id="result">内容：{{content}}</p><a href="/query"><button type="button">返回</button></a><button type="button" onclick="Func()">查询词高亮</button></body>运行server.py, 在浏览器中输入网址：http://localhost:8000/query ，界面如下：
在其中输入搜索关键词，比如“白云”，则会显示一条随机的结果，如下：
点击“查询词高亮”，则查询词部分会高亮显示。
本项目仅为展示诗歌检索的一种实现思路，仍有许多功能还待完善，后续将进一步补充实现。
注意：本人现已开通微信公众号： Python爬虫与算法
联系客服
