python基於搜索引擎實現文章查重功能

前言

文章抄襲在互聯網中普遍存在,很多博主都收受其煩。近幾年隨著互聯網的發展,抄襲等不道德行為在互聯網上愈演愈烈,甚至復制、黏貼後發佈標原創屢見不鮮,部分抄襲後的文章甚至標記瞭一些聯系方式從而使讀者獲取源碼等資料。這種惡劣的行為使人憤慨。

本文使用搜索引擎結果作為文章庫,再與本地或互聯網上數據做相似度對比,實現文章查重;由於查重的實現過程與一般情況下的微博情感分析實現流程相似,從而輕易的擴展出情感分析功能(下一篇將在此篇代碼的基礎上完成數據采集、清洗到情感分析的整個過程)。

由於近期時間上並不充裕,暫時實現瞭主要功能,細節上並沒有進行優化,但是在代碼結構上進行瞭一些簡要的設計,使得之後的功能擴展、升級更為簡便。我本人也將會持續更新該工具的功能,爭取讓這個工具在技術上更加的成熟、實用。

技術

本文實現的查重功能為瞭考慮適配大多數站點,從而使用selenium用作數據獲取,配置不同搜索引擎的信息,實現較為通用的搜索引擎查詢,並且不需要考慮過多的動態數據抓取;分詞主要使用jieba庫,完成對中文語句的分詞;使用餘弦相似度完成文本相似度的對比並導出對比數據至Excel文章留作舉報信息。

微博情感分析基於sklearn,使用樸素貝葉斯完成對數據的情感分析;在數據抓取上,實現流程與文本查重的功能類似。

測試代碼獲取

CSDN codechina 代碼倉庫:https://codechina.csdn.net/A757291228/s-analysetooldemo

環境

作者的環境說明如下:

  • 操作系統:Windows7 SP1 64
  • python 版本:3.7.7
  • 瀏覽器:谷歌瀏覽器
  • 瀏覽器版本: 80.0.3987 (64 位)

如有錯誤歡迎指出,歡迎留言交流。

一、實現文本查重

1.1 selenium安裝配置

由於使用的selenium,在使用前需要確保讀者是否已安裝selenium,使用pip命令,安裝如下:

pip install selenium

安裝完成 Selenium 還需要下載一個驅動。

  • 谷歌瀏覽器驅動:驅動版本需要對應瀏覽器版本,不同的瀏覽器使用對應不同版本的驅動,點擊下載
  • 如果是使用火狐瀏覽器,查看火狐瀏覽器版本,點擊

GitHub火狐驅動下載地址
下載(英文不好的同學右鍵一鍵翻譯即可,每個版本都有對應瀏覽器版本的使用說明,看清楚下載即可)

安裝瞭selenium後新建一python文件名為selenium_search,先在代碼中引入

from selenium import webdriver

可能有些讀者沒有把驅動配置到環境中,接下來我們可以指定驅動的位置(博主已配置到環境中):

driver = webdriver.Chrome(executable_path=r'F:\python\dr\chromedriver_win32\chromedriver.exe')

新建一個變量url賦值為百度首頁鏈接,使用get方法傳入url地址,嘗試打開百度首頁,完整代碼如下:

from selenium import webdriver

url='https://www.baidu.com'
driver=webdriver.Chrome()
driver.get(url)

在小黑框中使用命令行運行python文件(windows下):

在這裡插入圖片描述

運行腳本後將會打開谷歌瀏覽器並跳轉至百度首頁:

在這裡插入圖片描述

這樣就成功使用selenium打開瞭指定網址,接下來將指定搜索關鍵詞查詢得到結果,再從結果中遍歷到相似數據。

1.2 selenium百度搜索引擎關鍵詞搜索

在自動操控瀏覽器進行關鍵字鍵入到搜索框前,需要獲取搜索框元素對象。使用谷歌瀏覽器打開百度首頁,右鍵搜索框選擇查看,將會彈出網頁元素(代碼)查看視窗,找到搜索框元素(使用鼠標在元素節點中移動,鼠標當前位置的元素節點將會對應的在網頁中標藍):

在這裡插入圖片描述

在html代碼中,id的值大多數情況下唯一(除非是打錯瞭),在此選擇id作為獲取搜索框元素對象的標記。selenium提供瞭find_element_by_id方法,可以通過傳入id獲取到網頁元素對象。

input=driver.find_element_by_id('kw')

獲取元素對象後,使用send_keys方法可傳入需要鍵入的值:

input.send_keys('php基礎教程 第十一步 面向對象')

在此我傳入瞭 “php基礎教程 第十一步 面向對象”作為關鍵字作為搜索。運行腳本查看是否在搜索框中鍵入瞭關鍵字。代碼如下:

input.send_keys('php基礎教程 第十一步 面向對象')

成功打開瀏覽器並鍵入瞭搜索關鍵字:

在這裡插入圖片描述

現在還差點擊“百度一下”按鈕完成最終的搜索。使用與查看搜索框相同的元素查看方法查找“百度一下”按鈕的id值:

在這裡插入圖片描述

使用find_element_by_id方法獲取到該元素對象,隨後使用click方法使該按鈕完成點擊操作:

search_btn=driver.find_element_by_id('su')
search_btn.click()

完整代碼如下:

from selenium import webdriver

url='https://www.baidu.com'
driver=webdriver.Chrome()
driver.get(url)
input=driver.find_element_by_id('kw')
input.send_keys('php基礎教程 第十一步 面向對象')
search_btn=driver.find_element_by_id('su')
search_btn.click()

瀏覽器自動完成瞭鍵入搜索關鍵字及搜索功能:

在這裡插入圖片描述

1.3 搜索結果遍歷

當前已在瀏覽器中得到瞭搜索結果,接下來需要獲取整個web頁面內容,得到搜索結果。使用selenium並不能很方便的獲取到,在這裡使用BeautifulSoup對整個web頁面進行解析並獲取搜索結果。

BeautifulSoup是一個HTML/XML解析器,使用BeautifulSoup會極大的方便我們對整個html的信息獲取。
使用BeautifulSoup前需確保已安裝。安裝命令如下:

pip install BeautifulSoup

安裝後,在當前python文件頭部引入:

from bs4 import BeautifulSoup

獲取html文本可以調用page_source即可:

html=driver.page_source

得到瞭html代碼後,新建BeautifulSoup對象,傳入html內容並且指定解析器,這裡指定使用 html.parser 解析器:

soup = BeautifulSoup(html, "html.parser")

接下來查看搜索內容,發現所有的結果都由一個h標簽包含,並且classt

在這裡插入圖片描述

BeautifulSoup提供瞭select方法對標簽進行獲取,支持通過類名、標簽名、id、屬性、組合查找等。我們發現百度搜索結果中,結果皆有一個class =“t”,此時可以通過類名進行遍歷獲取最為簡便:

search_res_list=soup.select('.t')

select方法中傳入類名t,在類名前加上一個點(.)表示是通過類名獲取元素。
完成這一步後可以添加print嘗試打印出結果:

print(search_res_list)

一般情況下,可能輸出search_res_list為空列表,這是因為我們在瀏覽器解析數據渲染到瀏覽器前已經獲取瞭瀏覽器當前頁的內容,這時有一個簡單的方法可以解決這個問題,但是此方法效率卻不高,在此隻是暫時使用,之後將會用其它效率高於此方法的代碼替換(使用time需要在頭部引入):

time.sleep(2)

完整代碼如下:

from selenium import webdriver
from bs4 import BeautifulSoup
import time

url='https://www.baidu.com'
driver=webdriver.Chrome()
driver.get(url)
input=driver.find_element_by_id('kw')
input.send_keys('php基礎教程 第十一步 面向對象')
search_btn=driver.find_element_by_id('su')
search_btn.click()

time.sleep(2)#在此等待 使瀏覽器解析並渲染到瀏覽器

html=driver.page_source #獲取網頁內容
soup = BeautifulSoup(html, "html.parser")
search_res_list=soup.select('.t')
print(search_res_list)

運行程序將會輸出內容:

在這裡插入圖片描述

獲取到的結果為所有class為t的標簽,包括該標簽的子節點,並且使用點(.)運算發可以獲取子節點元素。通過瀏覽器得到的搜索內容皆為鏈接,點擊可跳轉,那麼隻需要獲取每一個元素下的a標簽即可:

for el in search_res_list:
    print(el.a)

在這裡插入圖片描述

從結果中很明顯的看出搜索結果的a標簽已經獲取,那麼接下來我們需要的是提取每個a標簽內的href超鏈接。獲取href超鏈接直接使用列表獲取元素的方式獲取即可:

for el in search_res_list:
    print(el.a['href'])

運行腳本成功得到結果:

在這裡插入圖片描述

細心的讀者可能會發現,這些獲取到的結果中,都是baidu的網址。其實這些網址可以說是“索引”,通過這些索引再次跳轉到真實網址。由於這些“索引”不一定會變動,並不利於長期存儲,在此還是需要獲取到真實的鏈接。
我們調用js腳本對這些網址進行訪問,這些網址將會跳轉到真實網址,跳轉後再獲取當前的網址信息即可。調用execute_script方法可執行js代碼,代碼如下:

for el in search_res_list:
    js = 'window.open("'+el.a['href']+'")'
    driver.execute_script(js)

打開新的網頁後,需要獲取新網頁的句柄,否則無法操控新網頁。獲取句柄的方法如下:

handle_this=driver.current_window_handle#獲取當前句柄
handle_all=driver.window_handles#獲取所有句柄

獲取句柄後需要把當前操作的對象切換成新的頁面。由於打開一個頁面後所有頁面隻有2個,簡單的使用遍歷做一個替換:

handle_exchange=None#要切換的句柄
for handle in handle_all:#不匹配為新句柄
   if handle != handle_this:#不等於當前句柄就交換
        handle_exchange = handle
driver.switch_to.window(handle_exchange)#切換

切換後,操作對象為當前剛打開的頁面。通過current_url屬性拿到新頁面的url:

real_url=driver.current_url
print(real_url)

隨後關閉當前頁面,把操作對象置為初始頁面:

driver.close()
driver.switch_to.window(handle_this)#換回最初始界面

運行腳本成功獲取到真實url:

在這裡插入圖片描述

最後在獲取到真實url後使用一個列表將結果存儲:

real_url_list.append(real_url)

這一部分完整代碼如下:

from selenium import webdriver
from bs4 import BeautifulSoup
import time

url='https://www.baidu.com'
driver=webdriver.Chrome()
driver.get(url)
input=driver.find_element_by_id('kw')
input.send_keys('php基礎教程 第十一步 面向對象')
search_btn=driver.find_element_by_id('su')
search_btn.click()

time.sleep(2)#在此等待 使瀏覽器解析並渲染到瀏覽器

html=driver.page_source
soup = BeautifulSoup(html, "html.parser")
search_res_list=soup.select('.t')

real_url_list=[]
# print(search_res_list)
for el in search_res_list:
    js = 'window.open("'+el.a['href']+'")'
    driver.execute_script(js)
    handle_this=driver.current_window_handle#獲取當前句柄
    handle_all=driver.window_handles#獲取所有句柄
    handle_exchange=None#要切換的句柄
    for handle in handle_all:#不匹配為新句柄
        if handle != handle_this:#不等於當前句柄就交換
            handle_exchange = handle
    driver.switch_to.window(handle_exchange)#切換
    real_url=driver.current_url
    print(real_url)
    real_url_list.append(real_url)#存儲結果
    driver.close()
    driver.switch_to.window(handle_this)

1.4 獲取源文本

在當前文件的目錄下新建一個文件夾,命名為textsrc,在該目錄下創建一個txt文件,把需要對比的文本存放至該文本中。在此我存放的內容為文章“php基礎教程 第十一步 面向對象”的內容。

在這裡插入圖片描述

在代碼中編寫一個函數為獲取文本內容:

def read_txt(path=''):
    f = open(path,'r')
    return f.read()
src=read_txt(r'F:\tool\textsrc\src.txt')

為瞭方便測試,這裡使用是絕對路徑。
獲取到文本內容後,編寫餘弦相似度的對比方法。

1.5 餘弦相似度

相似度計算參考文章《python實現餘弦相似度文本比較》,本人修改一部分從而實現。

本文相似度對比使用餘弦相似度算法,一般步驟分為分詞->向量計算->計算相似度。
新建一個python文件,名為Analyse。新建一個類名為Analyse,在類中添加分詞方法,並在頭部引入jieba分詞庫,以及collections統計次數:

from jieba import lcut
import jieba.analyse
import collections

Count方法:

#分詞
def Count(self,text):
    tag = jieba.analyse.textrank(text,topK=20)
    word_counts = collections.Counter(tag) #計數統計
    return word_counts

Count方法接收一個text變量,text變量為文本,使用textrank方法分詞並且使用Counter計數。
隨後添加MergeWord方法,使詞合並方便之後的向量計算:

#詞合並
def MergeWord(self,T1,T2):
    MergeWord = []
    for i in T1:
        MergeWord.append(i)
    for i in T2:
        if i not in MergeWord:
            MergeWord.append(i)
    return MergeWord

合並方法很簡單不再做解釋。接下來添加向量計算方法:

# 得出文檔向量
def CalVector(self,T1,MergeWord):
   TF1 = [0] * len(MergeWord)
   for ch in T1:
       TermFrequence = T1[ch]
       word = ch
       if word in MergeWord:
           TF1[MergeWord.index(word)] = TermFrequence
   return TF1

最後添加相似度計算方法:

def cosine_similarity(self,vector1, vector2):
    dot_product = 0.0
    normA = 0.0
    normB = 0.0

    for a, b in zip(vector1, vector2):#兩個向量組合成 [(1, 4), (2, 5), (3, 6)] 最短形式表現
        dot_product += a * b    
        normA += a ** 2
        normB += b ** 2
    if normA == 0.0 or normB == 0.0:
        return 0
    else:
        return round(dot_product / ((normA**0.5)*(normB**0.5))*100, 2)

相似度方法接收兩個向量,隨後計算相似度並返回。為瞭代碼冗餘度少,在這裡先簡單的添加一個方法,完成計算流程:

def get_Tfidf(self,text1,text2):#測試對比本地數據對比搜索引擎方法
        # self.correlate.word.set_this_url(url)
        T1 = self.Count(text1)
        T2 = self.Count(text2)
        mergeword = self.MergeWord(T1,T2)
        return self.cosine_similarity(self.CalVector(T1,mergeword),self.CalVector(T2,mergeword))

Analyse類的完整代碼如下:

from jieba import lcut
import jieba.analyse
import collections

class Analyse:
    def get_Tfidf(self,text1,text2):#測試對比本地數據對比搜索引擎方法
        # self.correlate.word.set_this_url(url)
        T1 = self.Count(text1)
        T2 = self.Count(text2)
        mergeword = self.MergeWord(T1,T2)
        return self.cosine_similarity(self.CalVector(T1,mergeword),self.CalVector(T2,mergeword))
        
    #分詞
    def Count(self,text):
        tag = jieba.analyse.textrank(text,topK=20)
        word_counts = collections.Counter(tag) #計數統計
        return word_counts
    #詞合並
    def MergeWord(self,T1,T2):
        MergeWord = []
        for i in T1:
            MergeWord.append(i)
        for i in T2:
            if i not in MergeWord:
                MergeWord.append(i)
        return MergeWord
    # 得出文檔向量
    def CalVector(self,T1,MergeWord):
        TF1 = [0] * len(MergeWord)
        for ch in T1:
            TermFrequence = T1[ch]
            word = ch
            if word in MergeWord:
                TF1[MergeWord.index(word)] = TermFrequence
        return TF1
    #計算 TF-IDF
    def cosine_similarity(self,vector1, vector2):
        dot_product = 0.0
        normA = 0.0
        normB = 0.0

        for a, b in zip(vector1, vector2):#兩個向量組合成 [(1, 4), (2, 5), (3, 6)] 最短形式表現
            dot_product += a * b    
            normA += a ** 2
            normB += b ** 2
        if normA == 0.0 or normB == 0.0:
            return 0
        else:
            return round(dot_product / ((normA**0.5)*(normB**0.5))*100, 2)

1.6 搜索結果內容與文本做相似度對比

在selenium_search文件中引入Analyse,並且新建對象:

from Analyse import Analyse
Analyse=Analyse()

在遍歷搜索結果中添加獲取新打開後的頁面的網頁內容:

time.sleep(5)
html_2=driver.page_source

使用 time.sleep(5)是為瞭等待瀏覽器能夠有時間渲染當前web內容。獲取到新打開的頁面內容後,進行相似度對比:

Analyse.get_Tfidf(src,html_2)

由於返回的是一個值,使用print輸出:

print(‘相似度:’,Analyse.get_Tfidf(src,html_2))

完整代碼如下:

from selenium import webdriver
from bs4 import BeautifulSoup
import time
from Analyse import Analyse

def read_txt(path=''):
    f = open(path,'r')
    return f.read()

#獲取對比文件
src=read_txt(r'F:\tool\textsrc\src.txt')
Analyse=Analyse()

url='https://www.baidu.com'
driver=webdriver.Chrome()
driver.get(url)
input=driver.find_element_by_id('kw')
input.send_keys('php基礎教程 第十一步 面向對象')
search_btn=driver.find_element_by_id('su')
search_btn.click()

time.sleep(2)#在此等待 使瀏覽器解析並渲染到瀏覽器

html=driver.page_source
soup = BeautifulSoup(html, "html.parser")
search_res_list=soup.select('.t')

real_url_list=[]
# print(search_res_list)
for el in search_res_list:
    js = 'window.open("'+el.a['href']+'")'
    driver.execute_script(js)
    handle_this=driver.current_window_handle#獲取當前句柄
    handle_all=driver.window_handles#獲取所有句柄
    handle_exchange=None#要切換的句柄
    for handle in handle_all:#不匹配為新句柄
        if handle != handle_this:#不等於當前句柄就交換
            handle_exchange = handle
    driver.switch_to.window(handle_exchange)#切換
    real_url=driver.current_url
    
    time.sleep(5)
    html_2=driver.page_source
    print('相似度:',Analyse.get_Tfidf(src,html_2))
    
    print(real_url)
    real_url_list.append(real_url)
    driver.close()
    driver.switch_to.window(handle_this)

運行腳本:

在這裡插入圖片描述

結果顯示有幾個高度相似的鏈接,那麼這幾個就是疑似抄襲的文章瞭。
以上是完成基本查重的代碼,但是相對於說代碼比較冗餘、雜亂,接下來我們優化一下代碼。

二、代碼優化

通過以上的程序編程,簡要步驟可以分為:獲取搜索內容->獲取結果->計算相似度。我們可以新建三個類,分別為:Browser、Analyse(已新建)、SearchEngine。
Browser用於搜索、數據獲取等;Analyse用於相似度分析、向量計算等;SearchEngine用於不同搜索引擎的基本配置,因為大部分搜多引擎的搜索方式較為一致。

2.1Browser 類

初始化
新建一個python文件,名為Browser,添加初始化方法:

def __init__(self,conf):
        self.browser=webdriver.Chrome()
        self.conf=conf
		self.engine_conf=EngineConfManage().get_Engine_conf(conf['engine']).get_conf()

self.browser=webdriver.Chrome()為新建一個瀏覽器對象;conf為傳入的搜索配置,之後進行搜索內容由編寫配置字典實現;self.engine_conf=EngineConfManage().get_Engine_conf(conf['engine']).get_conf()為獲取搜索引擎的配置,不同搜索引擎的輸入框、搜索按鍵不一致,通過不同的配置信息實現多搜索引擎搜索。

添加搜索方法

	#搜索內容寫入到搜素引擎中
    def send_keyword(self):
        input = self.browser.find_element_by_id(self.engine_conf['searchTextID'])
        input.send_keys(self.conf['kw'])

以上方法中self.engine_conf['searchTextID']self.conf['kw']通過初始化方法得到對應的搜索引擎配置信息,直接獲取信息得到元素。

點擊搜索

#搜索框點擊
    def click_search_btn(self):
        search_btn = self.browser.find_element_by_id(self.engine_conf['searchBtnID'])
        search_btn.click()

通過使用self.engine_conf['searchBtnID']獲取搜索按鈕的id。

獲取搜索結果與文本

#獲取搜索結果與文本
    def get_search_res_url(self):
        res_link={}
        WebDriverWait(self.browser,timeout=30,poll_frequency=1).until(EC.presence_of_element_located((By.ID, "page")))
        #內容通過 BeautifulSoup 解析
        content=self.browser.page_source
        soup = BeautifulSoup(content, "html.parser")
        search_res_list=soup.select('.'+self.engine_conf['searchContentHref_class'])
        for el in search_res_list:
            js = 'window.open("'+el.a['href']+'")'
            self.browser.execute_script(js)
            handle_this=self.browser.current_window_handle  #獲取當前句柄
            handle_all=self.browser.window_handles          #獲取所有句柄
            handle_exchange=None                            #要切換的句柄
            for handle in handle_all:                       #不匹配為新句柄
                if handle != handle_this:                   #不等於當前句柄就交換
                    handle_exchange = handle
            self.browser.switch_to.window(handle_exchange)  #切換
            real_url=self.browser.current_url
            
            time.sleep(1)
            res_link[real_url]=self.browser.page_source     #結果獲取
            
            self.browser.close()
            self.browser.switch_to.window(handle_this)
        return res_link

以上方法跟之前編寫的遍歷搜索結果內容相似,從中添加瞭WebDriverWait(self.browser,timeout=30,poll_frequency=1).until(EC.presence_of_element_located((By.ID, "page")))替代瞭sleep,用於判斷EC.presence_of_element_located((By.ID, "page"))是否找到id值為page的網頁元素,idpage的網頁元素為分頁按鈕的標簽id,如果未獲取表示當前web頁並未加載完全,等待時間為timeout=3030秒,如果已過去則跳過等待。
以上代碼中並不做相似度對比,而是通過 res_link[real_url]=self.browser.page_source 將內容與url存入字典,隨後返回,之後再做相似度對比,這樣編寫利於之後的功能擴展。

打開目標搜索引擎進行搜索

	#打開目標搜索引擎進行搜索
    def search(self):
        self.browser.get(self.engine_conf['website'])       #打開搜索引擎站點
        self.send_keyword()                                 #輸入搜索kw
        self.click_search_btn()                             #點擊搜索
        return self.get_search_res_url()                    #獲取web頁搜索數據

最後添加一個search方法,直接調用search方法即可實現之前的所有操作,不用暴露過多簡化使用。
完整代碼如下:

from selenium import webdriver
from bs4 import BeautifulSoup
from SearchEngine import EngineConfManage
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
import time

class Browser:
    def __init__(self,conf):
        self.browser=webdriver.Chrome()
        self.conf=conf
        self.engine_conf=EngineConfManage().get_Engine_conf(conf['engine']).get_conf()
    #搜索內容寫入到搜素引擎中
    def send_keyword(self):
        input = self.browser.find_element_by_id(self.engine_conf['searchTextID'])
        input.send_keys(self.conf['kw'])
    #搜索框點擊
    def click_search_btn(self):
        search_btn = self.browser.find_element_by_id(self.engine_conf['searchBtnID'])
        search_btn.click()
    #獲取搜索結果與文本
    def get_search_res_url(self):
        res_link={}
        WebDriverWait(self.browser,timeout=30,poll_frequency=1).until(EC.presence_of_element_located((By.ID, "page")))
        #內容通過 BeautifulSoup 解析
        content=self.browser.page_source
        soup = BeautifulSoup(content, "html.parser")
        search_res_list=soup.select('.'+self.engine_conf['searchContentHref_class'])
        for el in search_res_list:
            js = 'window.open("'+el.a['href']+'")'
            self.browser.execute_script(js)
            handle_this=self.browser.current_window_handle  #獲取當前句柄
            handle_all=self.browser.window_handles          #獲取所有句柄
            handle_exchange=None                            #要切換的句柄
            for handle in handle_all:                       #不匹配為新句柄
                if handle != handle_this:                   #不等於當前句柄就交換
                    handle_exchange = handle
            self.browser.switch_to.window(handle_exchange)  #切換
            real_url=self.browser.current_url
            
            time.sleep(1)
            res_link[real_url]=self.browser.page_source     #結果獲取
            
            self.browser.close()
            self.browser.switch_to.window(handle_this)
        return res_link
    
    #打開目標搜索引擎進行搜索
    def search(self):
        self.browser.get(self.engine_conf['website'])       #打開搜索引擎站點
        self.send_keyword()                                 #輸入搜索kw
        self.click_search_btn()                             #點擊搜索
        return self.get_search_res_url()                    #獲取web頁搜索數據

2.2SearchEngine 類

SearchEngine類主要用於不同搜索引擎的配置編寫。更加簡便的實現搜索引擎或相似業務的擴展。

#搜索引擎配置
class EngineConfManage:
    def get_Engine_conf(self,engine_name):
        if engine_name=='baidu':
            return BaiduEngineConf()
        elif engine_name=='qihu360':
            return Qihu360EngineConf()
        elif engine_name=='sougou':
            return SougouEngineConf()

class EngineConf:
    def __init__(self):
        self.engineConf={}
    def get_conf(self):
        return self.engineConf

class BaiduEngineConf(EngineConf):
    engineConf={}
    def __init__(self):
        self.engineConf['searchTextID']='kw'
        self.engineConf['searchBtnID']='su'
        self.engineConf['nextPageBtnID_xpath_f']='//*[@id="page"]/div/a[10]'
        self.engineConf['nextPageBtnID_xpath_s']='//*[@id="page"]/div/a[11]'
        self.engineConf['searchContentHref_class']='t'
        self.engineConf['website']='http://www.baidu.com'


class Qihu360EngineConf(EngineConf):
    def __init__(self):
        pass


class SougouEngineConf(EngineConf):
    def __init__(self):
        pass

在此隻實現瞭百度搜索引擎的配置編寫。所有不同種類的搜索引擎繼承EngineConf基類,使子類都有瞭get_conf方法。EngineConfManage類用於不同搜索引擎的調用,傳入引擎名即可。

2.3如何使用

首先引入兩個類:

from Browser import Browser
from Analyse import Analyse

新建一個方法讀取本地文件:

def read_txt(path=''):
    f = open(path,'r')
    return f.read()

獲取文件並新建數據分析類:

src=read_txt(r'F:\tool\textsrc\src.txt')#獲取本地文本
Analyse=Analyse()

配置信息字典編寫:

#配置信息
conf={
       'kw':'php基礎教程 第十一步 面向對象',
       'engine':'baidu',
    }

新建Browser類,並傳入配置信息:

drvier=Browser(conf)

獲取搜索結果及內容

url_content=drvier.search()#獲取搜索結果及內容

遍歷結果及計算相似度:

for k in url_content:
    print(k,'相似度:',Analyse.get_Tfidf(src,url_content[k]))

完整代碼如下:

from Browser import Browser
from Analyse import Analyse

def read_txt(path=''):
    f = open(path,'r')
    return f.read()

src=read_txt(r'F:\tool\textsrc\src.txt')#獲取本地文本
Analyse=Analyse()

#配置信息
conf={
       'kw':'php基礎教程 第十一步 面向對象',
       'engine':'baidu',
    }
    
drvier=Browser(conf)
url_content=drvier.search()#獲取搜索結果及內容
for k in url_content:
    print(k,'相似度:',Analyse.get_Tfidf(src,url_content[k]))

是不是感覺舒服多瞭?簡直不要太清爽。你以為這就完瞭嗎?還沒完,接下來擴展一下功能。

三、功能擴展

暫時這個小工具的功能隻有查重這個基礎功能,並且這個存在很多問題。如沒有白名單過濾、隻能查一篇文章的相似度、如果比較懶也沒有直接獲取文章列表自動查重的功能以及結果導出等。接下來慢慢完善部分功能,由於篇幅關系並不完全把的功能實現在此列出,之後將會持續更新。

3.1自動獲取文本

新建一個python文件,名為FileHandle。該類用於自動獲取指定目錄下txt文件,txt文件文件名為關鍵字,內容為該名稱的文章內容。類代碼如下:

import os

class FileHandle:
    #獲取文件內容
    def get_content(self,path):
        f = open(path,"r")   #設置文件對象
        content = f.read()     #將txt文件的所有內容讀入到字符串str中
        f.close()   #將文件關閉
        return content
	#獲取文件內容
    def get_text(self):
        file_path=os.path.dirname(__file__)                                 #當前文件所在目錄
        txt_path=file_path+r'\textsrc'                                      #txt目錄
        rootdir=os.path.join(txt_path)                                      #目標目錄內容
        local_text={}
        # 讀txt 文件
        for (dirpath,dirnames,filenames) in os.walk(rootdir):
            for filename in filenames:
                if os.path.splitext(filename)[1]=='.txt':
                    flag_file_path=dirpath+'\\'+filename                    #文件路徑
                    flag_file_content=self.get_content(flag_file_path) #讀文件路徑
                    if flag_file_content!='':
                        local_text[filename.replace('.txt', '')]=flag_file_content  #鍵值對內容
        return local_text

其中有兩個方法get_contentget_textget_text為獲取目錄下所有txt文件路徑,通過get_content獲取到詳細文本內容,返回local_textlocal_text鍵為文件名,值為文本內容。

3.2BrowserManage類

Browser類文件中添加一個BrowserManage類繼承於Browser,添加方法:

#打開目標搜索引擎進行搜索
    def search(self):
        self.browser.get(self.engine_conf['website'])       #打開搜索引擎站點
        self.send_keyword()                                 #輸入搜索kw
        self.click_search_btn()                             #點擊搜索
        return self.get_search_res_url()                    #獲取web頁搜索數據

添加該類使Browser類的邏輯與其它方法分開,便於擴展。

3.3Browser類的擴展

Browser類中添加下一頁方法,使搜索內容時能夠獲取更多內容,並且可指定獲取結果條數:

#下一頁
    def click_next_page(self,md5):
        WebDriverWait(self.browser,timeout=30,poll_frequency=1).until(EC.presence_of_element_located((By.ID, "page")))
        #百度搜索引擎翻頁後下一頁按鈕 xpath 不一致 默認非第一頁xpath
        try:
            next_page_btn = self.browser.find_element_by_xpath(self.engine_conf['nextPageBtnID_xpath_s'])
        except:
            next_page_btn = self.browser.find_element_by_xpath(self.engine_conf['nextPageBtnID_xpath_f'])
        next_page_btn.click()
        #md5 進行 webpag text 對比,判斷是否已翻頁 (暫時使用,存在bug)
        i=0
        while md5==hashlib.md5(self.browser.page_source.encode(encoding='UTF-8')).hexdigest():#md5 對比
            time.sleep(0.3)#防止一些錯誤,暫時使用強制停止保持一些穩定
            i+=1
            if i>100:
                return False
        return True

百度搜索引擎翻頁後下一頁按鈕 xpath 不一致 默認非第一頁xpath,出現異常使用另外一個xpath。隨後對頁面進行md5,對比md5值,如果當前頁面沒有刷新,md5值將不會改變,等待小短時間之後點擊下一頁。

3.4get_search_res_url方法的修改

get_search_res_url方法的修改瞭部分內容,添加瞭增加結果條數指定、下一頁內容獲取以及白名單設置更改過後的代碼如下:

#獲取搜索結果與文本
    def get_search_res_url(self):
        res_link={}
        WebDriverWait(self.browser,timeout=30,poll_frequency=1).until(EC.presence_of_element_located((By.ID, "page")))
        #內容通過 BeautifulSoup 解析
        content=self.browser.page_source
        soup = BeautifulSoup(content, "html.parser")
        search_res_list=soup.select('.'+self.engine_conf['searchContentHref_class'])
        while len(res_link)<self.conf['target_page']:
            for el in search_res_list:
                js = 'window.open("'+el.a['href']+'")'
                self.browser.execute_script(js)
                handle_this=self.browser.current_window_handle  #獲取當前句柄
                handle_all=self.browser.window_handles          #獲取所有句柄
                handle_exchange=None                            #要切換的句柄
                for handle in handle_all:                       #不匹配為新句柄
                    if handle != handle_this:                   #不等於當前句柄就交換
                        handle_exchange = handle
                self.browser.switch_to.window(handle_exchange)  #切換
                real_url=self.browser.current_url
                if real_url in self.conf['white_list']:         #白名單
                    continue
                time.sleep(1)
                res_link[real_url]=self.browser.page_source     #結果獲取
                
                self.browser.close()
                self.browser.switch_to.window(handle_this)
            content_md5=hashlib.md5(self.browser.page_source.encode(encoding='UTF-8')).hexdigest() #md5對比
            self.click_next_page(content_md5)
        return res_link

while len(res_link)<self.conf['target_page']:為增加瞭對結果條數的判斷。

content_md5=hashlib.md5(self.browser.page_source.encode(encoding='UTF-8')).hexdigest() #md5對比
self.click_next_page(content_md5)

以上代碼增加瞭當前頁面刷新後的md5值判斷,不一致則進行跳轉。

if real_url in self.conf['white_list']:         #白名單
	continue

以上代碼對白名單進行瞭判斷,自己設置的白名單不加入到條數。

3.5新建Manage類

新建一python文件名為Manage,再次封裝。代碼如下:

from Browser import BrowserManage
from Analyse import Analyse
from FileHandle import FileHandle

class Manage:
    def __init__(self,conf):
        self.drvier=BrowserManage(conf)
        self.textdic=FileHandle().get_text()
        self.analyse=Analyse()
    def get_local_analyse(self):    
        resdic={}
        
        for k in self.textdic:
            res={}
            self.drvier.set_kw(k)
            url_content=self.drvier.search()#獲取搜索結果及內容
            for k1 in url_content:
                res[k1]=self.analyse.get_Tfidf(self.textdic[k],url_content[k1])
            resdic[k]=res
        return resdic

以上代碼初始化方法接收一個參數,且初始化方法中新建瞭BrowserManage對象、Analyse對象以及獲取瞭文本內容。
get_local_analyse方法遍歷文本,使用文件名當作關鍵字進行搜索,並且將搜索內容與當前文本做相似度對比,最後返回結果。
結果如下:

在這裡插入圖片描述

博主目錄下文件如下:

在這裡插入圖片描述

相似度分析部分以上為主要內容,工具之後將會丟GitHubcsdn的代碼倉庫中,使用的無頭模式,本篇所講的內容為一般實現。

所有完整的代碼如下

Analyse類:

from jieba import lcut
import jieba.analyse
import collections
from FileHandle import FileHandle

class Analyse:
    def get_Tfidf(self,text1,text2):#測試對比本地數據對比搜索引擎方法
        # self.correlate.word.set_this_url(url)
        T1 = self.Count(text1)
        T2 = self.Count(text2)
        mergeword = self.MergeWord(T1,T2)
        return self.cosine_similarity(self.CalVector(T1,mergeword),self.CalVector(T2,mergeword))
        
    #分詞
    def Count(self,text):
        tag = jieba.analyse.textrank(text,topK=20)
        word_counts = collections.Counter(tag) #計數統計
        return word_counts
    #詞合並
    def MergeWord(self,T1,T2):
        MergeWord = []
        for i in T1:
            MergeWord.append(i)
        for i in T2:
            if i not in MergeWord:
                MergeWord.append(i)
        return MergeWord
    # 得出文檔向量
    def CalVector(self,T1,MergeWord):
        TF1 = [0] * len(MergeWord)
        for ch in T1:
            TermFrequence = T1[ch]
            word = ch
            if word in MergeWord:
                TF1[MergeWord.index(word)] = TermFrequence
        return TF1
    #計算 TF-IDF
    def cosine_similarity(self,vector1, vector2):
        dot_product = 0.0
        normA = 0.0
        normB = 0.0

        for a, b in zip(vector1, vector2):#兩個向量組合成 [(1, 4), (2, 5), (3, 6)] 最短形式表現
            dot_product += a * b    
            normA += a ** 2
            normB += b ** 2
        if normA == 0.0 or normB == 0.0:
            return 0
        else:
            return round(dot_product / ((normA**0.5)*(normB**0.5))*100, 2)

Browser類:

from selenium import webdriver
from bs4 import BeautifulSoup
from SearchEngine import EngineConfManage
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By
import hashlib
import time
import xlwt

class Browser:
    def __init__(self,conf):
        self.browser=webdriver.Chrome()
        self.conf=conf
        self.conf['kw']=''
        self.engine_conf=EngineConfManage().get_Engine_conf(conf['engine']).get_conf()
    #搜索內容設置
    def set_kw(self,kw):
        self.conf['kw']=kw
    #搜索內容寫入到搜素引擎中
    def send_keyword(self):
        input = self.browser.find_element_by_id(self.engine_conf['searchTextID'])
        input.send_keys(self.conf['kw'])
    #搜索框點擊
    def click_search_btn(self):
        search_btn = self.browser.find_element_by_id(self.engine_conf['searchBtnID'])
        search_btn.click()
    #獲取搜索結果與文本
    def get_search_res_url(self):
        res_link={}
        WebDriverWait(self.browser,timeout=30,poll_frequency=1).until(EC.presence_of_element_located((By.ID, "page")))
        #內容通過 BeautifulSoup 解析
        content=self.browser.page_source
        soup = BeautifulSoup(content, "html.parser")
        search_res_list=soup.select('.'+self.engine_conf['searchContentHref_class'])
        while len(res_link)<self.conf['target_page']:
            for el in search_res_list:
                js = 'window.open("'+el.a['href']+'")'
                self.browser.execute_script(js)
                handle_this=self.browser.current_window_handle  #獲取當前句柄
                handle_all=self.browser.window_handles          #獲取所有句柄
                handle_exchange=None                            #要切換的句柄
                for handle in handle_all:                       #不匹配為新句柄
                    if handle != handle_this:                   #不等於當前句柄就交換
                        handle_exchange = handle
                self.browser.switch_to.window(handle_exchange)  #切換
                real_url=self.browser.current_url
                if real_url in self.conf['white_list']:         #白名單
                    continue
                time.sleep(1)
                res_link[real_url]=self.browser.page_source     #結果獲取
                
                self.browser.close()
                self.browser.switch_to.window(handle_this)
            content_md5=hashlib.md5(self.browser.page_source.encode(encoding='UTF-8')).hexdigest() #md5對比
            self.click_next_page(content_md5)
        return res_link
    #下一頁
    def click_next_page(self,md5):
        WebDriverWait(self.browser,timeout=30,poll_frequency=1).until(EC.presence_of_element_located((By.ID, "page")))
        #百度搜索引擎翻頁後下一頁按鈕 xpath 不一致 默認非第一頁xpath
        try:
            next_page_btn = self.browser.find_element_by_xpath(self.engine_conf['nextPageBtnID_xpath_s'])
        except:
            next_page_btn = self.browser.find_element_by_xpath(self.engine_conf['nextPageBtnID_xpath_f'])
        next_page_btn.click()
        #md5 進行 webpag text 對比,判斷是否已翻頁 (暫時使用,存在bug)
        i=0
        while md5==hashlib.md5(self.browser.page_source.encode(encoding='UTF-8')).hexdigest():#md5 對比
            time.sleep(0.3)#防止一些錯誤,暫時使用強制停止保持一些穩定
            i+=1
            if i>100:
                return False
        return True
class BrowserManage(Browser):    
    #打開目標搜索引擎進行搜索
    def search(self):
        self.browser.get(self.engine_conf['website'])       #打開搜索引擎站點
        self.send_keyword()                                 #輸入搜索kw
        self.click_search_btn()                             #點擊搜索
        return self.get_search_res_url()                    #獲取web頁搜索數據

Manage類:

from Browser import BrowserManage
from Analyse import Analyse
from FileHandle import FileHandle

class Manage:
    def __init__(self,conf):
        self.drvier=BrowserManage(conf)
        self.textdic=FileHandle().get_text()
        self.analyse=Analyse()
    def get_local_analyse(self):    
        resdic={}
        
        for k in self.textdic:
            res={}
            self.drvier.set_kw(k)
            url_content=self.drvier.search()#獲取搜索結果及內容
            for k1 in url_content:
                res[k1]=self.analyse.get_Tfidf(self.textdic[k],url_content[k1])
            resdic[k]=res
        return resdic

FileHandle類:

import os

class FileHandle:
    #獲取文件內容
    def get_content(self,path):
        f = open(path,"r")   #設置文件對象
        content = f.read()     #將txt文件的所有內容讀入到字符串str中
        f.close()   #將文件關閉
        return content
	#獲取文件內容
    def get_text(self):
        file_path=os.path.dirname(__file__)                                 #當前文件所在目錄
        txt_path=file_path+r'\textsrc'                                      #txt目錄
        rootdir=os.path.join(txt_path)                                      #目標目錄內容
        local_text={}
        # 讀txt 文件
        for (dirpath,dirnames,filenames) in os.walk(rootdir):
            for filename in filenames:
                if os.path.splitext(filename)[1]=='.txt':
                    flag_file_path=dirpath+'\\'+filename                    #文件路徑
                    flag_file_content=self.get_content(flag_file_path) #讀文件路徑
                    if flag_file_content!='':
                        local_text[filename.replace('.txt', '')]=flag_file_content  #鍵值對內容
        return local_text

本文最終使用方法如下:

from Manage import Manage

white_list=['blog.csdn.net/A757291228','www.cnblogs.com/1-bit','blog.csdn.net/csdnnews']#白名單
#配置信息
conf={
       'engine':'baidu',
       'target_page':5
       'white_list':white_list,
    }

print(Manage(conf).get_local_analyse())

到此這篇關於python基於搜索引擎實現文章查重功能的文章就介紹到這瞭,更多相關python文章查重內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!