python成语 Python成语库

2023-06-20 03:04| 来源: 网络整理| 查看: 265

做NLPproject时需要一个成语库，我需要的是纯成语，网上找的都是有详细解释的。于是自己写了一个爬成语的python程序。

1、首先找到一个在线成语网站

　　我选的网站是http://chengyu.itlearner.com/，选择它的原因是它把不同开头字母的成语分开，不同的字母和页所在的URL不同，是静态网页，比如A开头的第一页的链接是：http://chengyu.itlearner.com/list/A_1.html，所以我只要遍历各个字母开头的每页就可以了。

2、查看网页结构，定义正则式

　　看一下要抓的成语的标签有什么特点，查看源码，可以发现要抓的成语都在标签中，如:安如磐石，成语事实上就是一个瞄文本，不同成语指向的链接不同，其实也就"/cy0/93.html"中的数字不同，所以正则式里匹配两次数字就行了，定义正则式 reg = "(.*?)"。

3、上代码吧

#anthor jiqunpeng #time 20121124 import urllib import re def getHtml(url): #从URL中读取html内容 page = urllib.urlopen(url) html = page.read() page.close() return html def getDictionary(html): #匹配成语 reg = "(.*?)" dicList = re.compile(reg).findall(html) return dicList def getItemSite():#手工把每个字母开头的页面数统计下来 itemSite = {}#申明为空字典 itemSite["A"] = 3 itemSite["B"] = 21 itemSite["C"] = 19 itemSite["D"] = 18 itemSite["E"] = 2 itemSite["F"] = 14 itemSite["G"] = 13 itemSite["H"] = 15 itemSite["J"] = 23 itemSite["K"] = 6 itemSite["L"] = 15 itemSite["M"] = 12 itemSite["N"] = 5 itemSite["O"] = 1 itemSite["P"] = 6 itemSite["Q"] = 16 itemSite["R"] = 8 itemSite["S"] = 26 itemSite["T"] = 12 itemSite["W"] = 13 itemSite["X"] = 16 itemSite["Y"] = 35 itemSite["A"] = 21 return itemSite if __name__== "__main__": dicFile = open("dic.txt","w+")#保存成语的文件 domainsite = "http://chengyu.itlearner.com/list/" itemSite = getItemSite() for key,values in itemSite.items(): for index in range(1,values+1): site = key +"_"+str(index)+".html" dictionary = getDictionary(getHtml(domainsite+site)) for dic in dictionary: dicFile.write(dic[2]+"@@CY\n")#标记为成语，分词时使用 print key+'字母成语抓取完毕' dicFile.close() print '全部成语抓取完毕'

把成语保存在了txt文本中，还添加了一个后缀标签。这个方法太笨了，应该可以自动寻找下一页，而不是我先确定好页面数量。以后有时间再整，最近project+考试。

　　最后注意，设计正则表达式时可能会出现明明认为是正确的，就是匹配不了，对空白字符要留意，比如说要解析：

kkun

你看不出第一行与第二行的空白字符是什么，可以index = html.find('avatar_name')，html[4677:4677+100]看到非空白字符

【本文地址】

公司简介

联系我们

今日新闻

推荐新闻

专题文章