自制简单的诗歌搜索系统

本文主要是介绍自制简单的诗歌搜索系统，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

项目简介

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：

poem_search项目结构

数据收集

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 re
import requests
from bs4 import BeautifulSoup
import 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 = poemif content:content_list.append(content)else:content_list.append('')# 诗歌朝代，诗人dynasty_poet = soup.find('p', class_='source').textif '：' 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').textif 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：

poem.csv文件

数据库

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 pd
from pymongo import MongoClient# 连接MongoDB
conn = 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：

mongodb数据

前端展示

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 random
import os.path
import tornado.httpserver
import tornado.ioloop
import tornado.options
import tornado.web
from tornado.options import define, options
from pymongo import MongoClient# 连接MongoDB
conn = MongoClient('mongodb://localhost:27017/')
coll = conn["test"].poem#定义端口为8000
define("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_string
class 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appapp = 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>