1. 环境
- win7 64位
- python 3.5
2. 目标
抓取一篇报纸，并提取出关键字，然后按照出现次数排序，用echarts在页面上显示出来。
3. 工具选择
因为之前对nodejs的相关工具比较熟悉，在用python的时候，也想有类似的工具。所以就做了一个对比的表格。
| 功能 | nodejs版 | python版 |
|---|---|---|
| http工具 | request | requests |
| 中文分词工具 | node-segment, nodejieba(一直没有安装成功过) | jieba(分词准确度比node-segment好) |
| DOM解析工具 | cheeio | pyquery(这两个工具都是有类似jQuery那种选择DOM的接口，很方便) |
| 函数编程工具 | underscore.js | underscore.py(underscore来处理集合比较方便) |
| 服务器 | express | flask |
4. 开始的噩梦：中文乱码
感觉每个学python的人都遇到过中文乱码的问题。我也不例外。
首先要抓取网页，但是网页在控制台输出的时候，中文总是乱码。搞了好久，搞得我差点要放弃python。最终找到解决方法。 解决python3 UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘\xXX’ in position XX
过程很艰辛，但是从中也学到很多知识。
import io
import sys
sys.stdout = io.TextIOWrapper(sys.stoodout.buffer,encoding='gb18030')
5. 函数式编程： 顺享丝滑
#filename word_rank.py
import requests
import io
import re
import sys
import jieba as _jieba # 中文分词比较优秀的一个库
from pyquery import PyQuery as pq #类似于jquery、cheerio的库
from underscore import _ # underscore.js python版本
sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030') # 解决控制台中文乱码
USELESSWORDS = ['的','要','了','在','和','是','把','向','上','为','等','个'] # 标记一些无用的单词
TOP = 30 # 只要前面的30个就可以了
def _remove_punctuation(line): # 移除非中文字符
# rule = re.compile("[^a-zA-Z0-9\u4e00-\u9fa5]")
rule = re.compile("[^\u4e00-\u9fa5]")
line = rule.sub('',line)
return line
def _calculate_frequency(words): # 计算分词出现的次数
result = {}
res = []
for word in words:
if result.get(word, -1) == -1:
result[word] = 1
else:
result[word] += 1
for word in result:
if _.contains(USELESSWORDS, word): # 排除无用的分词
continue
res.append({
'word': word,
'fre': result[word]
})
return _.sortBy(res, 'fre')[::-1][:TOP] # 降序排列
def _get_page(url): # 获取页面
return requests.get(url)
def _get_text(req): # 获取文章部分
return pq(req.content)('#ozoom').text()
def main(url): # 入口函数，函数组合
return _.compose(
_get_page,
_get_text,
_remove_punctuation,
_jieba.cut,
_calculate_frequency
)(url)
6. python服务端：Flask浅入浅出
import word_rank
from flask import Flask, request, jsonify, render_template
app = Flask(__name__)
app.debug = True
@app.route('/rank') # 从query参数里获取pageUrl，并给分词排序
def getRank():
pageUrl = request.args.get('pageUrl')
app.logger.debug(pageUrl)
rank = word_rank.main(pageUrl)
app.logger.debug(rank)
return jsonify(rank)
@app.route('/') # 主页面
def getHome():
return render_template('home.html')
if __name__ == '__main__':
app.run()
7. 总结
据说有个定律：凡是能用JavaScript写出来的，最终都会用JavaScript写出来。 我是很希望这样啦。但是不得不承认，python上有很多非常优秀的库。这些库在npm上并没有找到合适的替代品。
所以，我就想: 如何能用nodejs直接调用python的第三方库
目前的解决方案有两种，第一，只用nodejs的child_processes。这个方案我试过，但是不太好用。
第二，npm里面有一些包，可以直接调用python的库。例如：node-python, python.js, 但是这些包我在win7上安装的时候总是报错。而且解决方法也蛮麻烦的。索性我就直接用python了。