前言
“白日依山盡，___”。下句自然填黃河入海流，那么“日月忽其不淹兮，___，___，恐美人之遲暮”，中間兩句怎么填呢？
最近工作中有個(gè)需求，就是1500道語(yǔ)文詩(shī)詞填空題沒(méi)有答案，現(xiàn)在需要給這些題目大爺們匹配它們對(duì)應(yīng)的答案，好在題目信息都很完整，指出了詩(shī)詞出處、作者信息。自然想到到網(wǎng)上爬取對(duì)應(yīng)文章信息然后字符串匹配答案。目前做完，效果還可以，基本上所有題目的答案都有了，現(xiàn)把操作流程記錄下，做個(gè)總結(jié)。
1. 文章信息獲取
網(wǎng)上找了很久，目前發(fā)現(xiàn)百度漢語(yǔ)對(duì)古詩(shī)詞收錄的比較好，格式也比較規(guī)范，整個(gè)爬取過(guò)程還是比較簡(jiǎn)單，瀏覽器分析網(wǎng)站，找到它們的搜索接口：http://hanyu.baidu.com/hanyu/ajax/sugs只需要傳一個(gè)參數(shù)：mainkey，是一個(gè)urlencode格式的字符串。接口會(huì)返回一個(gè)匹配列表，再用作者名稱對(duì)這個(gè)列表做篩選，詳細(xì)代碼如下:
baseUrl := "http://hanyu.baidu.com/hanyu/ajax/sugs?"
client := http.Client{
}
u, _ := url.Parse(baseUrl)
q := u.Query()
q.Set("mainkey", name)
u.RawQuery = q.Encode()
//添加Header
req, _ := http.NewRequest("GET", u.String(), nil)
req.Header.Add("User-Agent", `Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36`)
req.Header.Add("DNT", "1")
req.Header.Add("Host", "hanyu.baidu.com")
req.Header.Add("Accept-Language", "zh-CN,zh;q=0.8")
req.Header.Add("Referer", "http://hanyu.baidu.com/shici/detail?pid=be520db056da43238035dc18bb1e1798tn=sug_click")
resp, errDo := client.Do(req)
拿到返回值以后，篩選出對(duì)應(yīng)的作者信息。
//如果有多個(gè)搜索結(jié)果，比對(duì)author是否正確
respJson.ForEach(func(key, value gjson.Result) bool {
//先看看有沒(méi)有display_name
displayName := value.Get("display_name.0").String()
sid := value.Get("sid.0").String()
if len(displayName) == 0 {
//不是這條記錄
return true
}
//看看type
typeStr := value.Get("type.0").String()
if typeStr == "poemline"{
//取Source
displayName = value.Get("source_poem.0").String()
sid = value.Get("source_poem_sid.0").String()
}
literatureAuthor := value.Get("literature_author.0").String()
//author是否一致
if literatureAuthor == author {
searchResult.Sid = sid
searchResult.DisplayName = displayName
searchResult.Author = literatureAuthor
return false
}
return true // keep iterating
})
SearchResult保存了搜索到的結(jié)果，根據(jù)sid拿到文章頁(yè)面，解析出其中的文章。
func GetContent(sid string) (content string, err error) {
baseUrl := "http://hanyu.baidu.com/shici/detail"
result := make([]string, 0, 0)
client := http.Client{
}
u, _ := url.Parse(baseUrl)
q := u.Query()
q.Set("pid", sid)
u.RawQuery = q.Encode()
req, _ := http.NewRequest("GET", u.String(), nil)
req.Header.Add("User-Agent", `Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36`)
req.Header.Add("DNT", "1")
req.Header.Add("Host", "hanyu.baidu.com")
req.Header.Add("Accept-Language", "zh-CN,zh;q=0.8")
req.Header.Add("Referer", "http://hanyu.baidu.com/shici/detail?pid=be520db056da43238035dc18bb1e1798tn=sug_click")
resp, errDo := client.Do(req)
if errDo != nil || resp.StatusCode != 200 {
err = errors.New("無(wú)法連接百度漢語(yǔ) " + errDo.Error())
return
}
docm, errDoc := goquery.NewDocumentFromResponse(resp)
if errDoc != nil {
err = errors.New("解析Doc錯(cuò)誤 " + errDoc.Error())
return
}
//詩(shī)詞信息都保存在 body_p 的div中，可以通過(guò)PuerkitoBio/goquery庫(kù)獲取
pSelect := docm.Find("#body_p")
pSelect.Each(func(pos int, selection *goquery.Selection) {
content := strings.TrimSpace(selection.Text())
result = append(result, content)
})
content = strings.Join(result, "")
return
}
目前會(huì)爬取百度漢語(yǔ)、古詩(shī)詞兩個(gè)網(wǎng)站的數(shù)據(jù)，如果有更好的數(shù)據(jù)源，只需要實(shí)現(xiàn)Spider接口，在MapSpiderManifest()方法中注冊(cè)即可。
type Spider interface {
GetContent(SearchResult) (string, error)
FindContent(string, string) (SearchResult, error)
}
func MapSpiderManifest() map[string]Spider {
//初始化并且注冊(cè)所有的Spider
spiderMap := make(map[string]Spider)
//百度
baiduSpider := new(BaiduSpider)
spiderMap["baiduSpider"] = baiduSpider
//古詩(shī)文網(wǎng)
gushiwenSpider := new(GushiwenSpider)
spiderMap["gushiwenSpider"] = gushiwenSpider
return spiderMap
}
2.詩(shī)詞句子查找
古詩(shī)文默寫，以前上學(xué)的時(shí)候做的多了，把一句話摳出來(lái)，隨機(jī)選其中幾段話讓學(xué)生默寫。一般可以歸類為一下幾種模式:
開(kāi)頭留空 :_，[_，...],何人不起故園情。
末尾留空：俱往矣，_，[_，...]。
中間留空：月出于東山之上,_,白露橫江,
不管是什么樣的模式，就每個(gè)填空處來(lái)看，只有它前面或者后面有提示句，我們才能知道這個(gè)空的答案是什么。也就是說(shuō)，這樣的填空可以自主的找到答案，姑且稱之為自主空。而前后都沒(méi)有提示句的空，只能等待附近有自主空找到了答案，才能找到它本身的答案，用一個(gè)圖說(shuō)明更加清晰：
圖中灰色的塊因?yàn)橛刑崾揪洌钥梢酝ㄟ^(guò)步驟一種爬取下來(lái)的文章內(nèi)容找到對(duì)應(yīng)的答案，填入Blank中，具體的查找算法如下代碼所示：
//已知newFind的PreString，求BlankString和PostString
func makeWithPreContent(contentsSplit []string, newFind *Find) {
for l := range contentsSplit {
if isEqual(contentsSplit[l], newFind.PreString) l len(contentsSplit)-1 {
newFind.BlankString = contentsSplit[l+1]
if l len(contentsSplit)-2 {
newFind.PostString = contentsSplit[l+2]
}
newFind.BlankFinish = true
}
}
}
//已知newFind的PostString，求BlankString和PreString
func makeWithPostContent(contentsSplit []string, newFind *Find) {
for l := range contentsSplit {
if isEqual(contentsSplit[l], newFind.PostString) l > 0 {
newFind.BlankString = contentsSplit[l-1]
if l-1 > 0 {
newFind.PreString = contentsSplit[l-2]
}
newFind.BlankFinish = true
}
}
}
// 按標(biāo)點(diǎn)符號(hào)分隔內(nèi)容
func SplitByPunctuation(s string) ([]string, []string) {
regPunctuation, _ := regexp.Compile(`[,，。.?？！!;；：:]`)
//匹配標(biāo)點(diǎn)符號(hào)，保存下來(lái)。 然后分割字符串
toPun := regPunctuation.FindAllString(s, -1)
result := regPunctuation.Split(s, -1)
if len(result[len(result)-1]) == 0 {
result = result[:len(result)-1]
}
//去掉前后空格，去掉引號(hào)
for i := range result {
result[i] = strings.TrimSpace(result[i])
regQuoting := regexp.MustCompile("[“”‘'']")
result[i] = regQuoting.ReplaceAllString(result[i], "")
}
return result, toPun
}
所有的自主塊都找到答案后，可以把每個(gè)自主塊看作一個(gè)雙向鏈表的表頭，我們所要做的就是遍歷每個(gè)雙向鏈表，把其中每個(gè)節(jié)點(diǎn)的答案都通過(guò)查找算法找出來(lái)。當(dāng)下一個(gè)節(jié)點(diǎn)是NULL，或者下個(gè)節(jié)點(diǎn)是一個(gè)自主塊時(shí)，就停止遍歷，處理下一個(gè)雙向鏈表。這樣，無(wú)論給出的需要填空的內(nèi)容多么復(fù)雜，都可以順利的完整自動(dòng)填寫工作。
3.效果
一些常用的文言文或詩(shī)詞：
1、 前赤壁賦
2、 離騷
項(xiàng)目地址：AncientPoetryFillBlank （本地下載）
總結(jié)
以上就是這篇文章的全部?jī)?nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，如果有疑問(wèn)大家可以留言交流，謝謝大家對(duì)腳本之家的支持。
您可能感興趣的文章:- go語(yǔ)言實(shí)現(xiàn)通過(guò)FTP庫(kù)自動(dòng)上傳web日志
