前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >学习笔记CB005:关键词、语料提取

学习笔记CB005:关键词、语料提取

原创
作者头像
利炳根
发布2018-03-06 10:00:09
8380
发布2018-03-06 10:00:09
举报
文章被收录于专栏:利炳根的专栏利炳根的专栏

关键词提取。pynlpir库实现关键词提取。

代码语言:txt
复制
# coding:utf-8
代码语言:txt
复制
import sys
代码语言:txt
复制
import importlib
代码语言:txt
复制
importlib.reload(sys)
代码语言:txt
复制
import pynlpir
代码语言:txt
复制
pynlpir.open()
代码语言:txt
复制
s = '怎么才能把电脑里的垃圾文件删除'
代码语言:txt
复制
key_words = pynlpir.get_key_words(s, weighted=True)
代码语言:txt
复制
for key_word in key_words:
代码语言:txt
复制
    print(key_word[0], 't', key_word[1])
代码语言:txt
复制
pynlpir.close()

百度接口:https://www.baidu.com/s?wd=机器学习 数据挖掘 信息检索

安装scrapy pip install scrapy。创建scrapy工程 scrapy startproject baidu_search。做抓取器,创建baidu_search/baidu_search/spiders/baidu_search.py文件。

代码语言:txt
复制
# coding:utf-8
代码语言:txt
复制
import sys
代码语言:txt
复制
import importlib
代码语言:txt
复制
importlib.reload(sys)
代码语言:txt
复制
import scrapy
代码语言:txt
复制
class BaiduSearchSpider(scrapy.Spider):
代码语言:txt
复制
    name = "baidu_search"
代码语言:txt
复制
    allowed_domains = ["baidu.com"]
代码语言:txt
复制
    start_urls = [
代码语言:txt
复制
            "https://www.baidu.com/s?wd=电脑 垃圾 文件 删除"
代码语言:txt
复制
    ]
代码语言:txt
复制
    def parse(self, response):
代码语言:txt
复制
        filename = "result.html"
代码语言:txt
复制
        with open(filename, 'wb') as f:
代码语言:txt
复制
            f.write(response.body)

修改settings.py文件,ROBOTSTXT_OBEY = False,USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36' ,DOWNLOAD_TIMEOUT = 5 ,

进入baidu_search/baidu_search/目录,scrapy crawl baidu_search 。生成result.html,正确抓取网页。

语料提取。搜索结果只是索引。真正内容需进入链接。分析抓取结果,链接嵌在class=c-container Div h3 a标签 href属性。url添加到抓取队列抓取。提取正文,去掉标签,保存摘要。提取url时,提取标题和摘要,scrapy.Request meta传递到处理函数parse_url,抓取完成后能接到这两个值,提取content。完整数据:url、title、abstract、content。

代码语言:txt
复制
# coding:utf-8
代码语言:txt
复制
import sys
代码语言:txt
复制
import importlib
代码语言:txt
复制
importlib.reload(sys)
代码语言:txt
复制
import scrapy
代码语言:txt
复制
from scrapy.utils.markup import remove_tags
代码语言:txt
复制
class BaiduSearchSpider(scrapy.Spider):
代码语言:txt
复制
    name = "baidu_search"
代码语言:txt
复制
    allowed_domains = ["baidu.com"]
代码语言:txt
复制
    start_urls = [
代码语言:txt
复制
            "https://www.baidu.com/s?wd=电脑 垃圾 文件 删除"
代码语言:txt
复制
    ]
代码语言:txt
复制
    def parse(self, response):
代码语言:txt
复制
        # filename = "result.html"
代码语言:txt
复制
        # with open(filename, 'wb') as f:
代码语言:txt
复制
        #     f.write(response.body)
代码语言:txt
复制
        hrefs = response.selector.xpath('//div[contains(@class, "c-container")]/h3/a/@href').extract()
代码语言:txt
复制
        # for href in hrefs:
代码语言:txt
复制
        #     print(href)
代码语言:txt
复制
        #     yield scrapy.Request(href, callback=self.parse_url)
代码语言:txt
复制
        containers = response.selector.xpath('//div[contains(@class, "c-container")]')
代码语言:txt
复制
        for container in containers:
代码语言:txt
复制
            href = container.xpath('h3/a/@href').extract()[0]
代码语言:txt
复制
            title = remove_tags(container.xpath('h3/a').extract()[0])
代码语言:txt
复制
            c_abstract = container.xpath('div/div/div[contains(@class, "c-abstract")]').extract()
代码语言:txt
复制
            abstract = ""
代码语言:txt
复制
            if len(c_abstract) > 0:
代码语言:txt
复制
                abstract = remove_tags(c_abstract[0])
代码语言:txt
复制
            request = scrapy.Request(href, callback=self.parse_url)
代码语言:txt
复制
            request.meta['title'] = title
代码语言:txt
复制
            request.meta['abstract'] = abstract
代码语言:txt
复制
            yield request
代码语言:txt
复制
    def parse_url(self, response):
代码语言:txt
复制
        print(len(response.body))
代码语言:txt
复制
        print("url:", response.url)
代码语言:txt
复制
        print("title:", response.meta['title'])
代码语言:txt
复制
        print("abstract:", response.meta['abstract'])
代码语言:txt
复制
        content = remove_tags(response.selector.xpath('//body').extract()[0])
代码语言:txt
复制
        print("content_len:", len(content))

参考资料:

《Python 自然语言处理》

http://www.shareditor.com/blogshow/?blogId=43

http://www.shareditor.com/blogshow?blogId=76

欢迎推荐上海机器学习工作机会,我的微信:qingxingfengzi

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
NLP 服务
NLP 服务(Natural Language Process,NLP)深度整合了腾讯内部的 NLP 技术,提供多项智能文本处理和文本生成能力,包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。满足各行业的文本智能需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档