人工智能測試-爬百度成語-測成語接龍

時間 2019-12-05

標籤人工智能測試百度成語成語接龍简体版

原文原文鏈接

前言html

本意，昨晚想發一文，在梳理思路找筆記一小半時，一朋友跟伴侶吵架了，忽然從技術寫文轉變到情感「磚家」，微信聊了一個多小時，腦力都用光了，早上開會上傳了一下調整後的代碼，中午補一下文，完成既定目標。python

1、原由

去年在測試公司的人工智能產品中的一功能【成語接龍】，人工語音測試總玩不過【琥珀】小姐姐，嘆自身知識匱乏、小琥珀之刁鑽；git

因而乎，網絡找了幾個成語數據庫，找了幾個現成的API，弄成自動化跑的時，自信滿滿時，【琥珀】卻找出大量的非四字成語；github

髒數據太多，頗有挫敗感，因而另謀出路，百度成語相對靠譜，就你了，本文爲很簡單的測試，主要看測試思路。web

2、百度成語HTML解析

2.一、瀏覽器打開百度成語

https://hanyu.baidu.com/s?wd=成語ajax

2.二、分析HTML與規律

步驟：一、正常請求--》二、抓包分析--》三、模擬請求--》不成功---》四、抓包對比分析sql

全部基本就是循環以上步驟直至成功爲止（反爬另說，主要是變換請求信息，假裝不一樣的用戶請求）。數據庫

2.2.1)、正常請求：略json

2.2.2)、抓包分析瀏覽器

實操以下，很容易就找到規律，圖1圖2一對比，就能夠找到變化的內容

請求地址：https://hanyu.baidu.com/hanyu/ajax/search_list?wd=%E6%88%90%E8%AF%AD&from=poem&pn=頁數&_=點擊時間戳

說明：忽略cookie，實測不須要，也沒有反爬機制，但本文仍是會保存cookie請求

數據標籤分析

將抓包的數據，拷貝，在線Json格式化，能夠獲得比較好看的結構：

json數據解析，得知一頁20個成語，本身所須要信息結構以下：

成語：ret_array[x].name

拼音：ret_array[x].pinyin

總頁數：extra.total-page

2.2.3)、模擬請求

[工具請求]-初步成功，能夠編寫腳本了

這一步只是防止矇頭寫腳本，分析不到位，瞎整半天啥的。

三、編寫腳本（模擬請求）

  1 # -*- coding: utf-8 -*-
  2 """
  3 @author: findyou
  4 @contact: albert.peng@foxmail.com
  5 @version: 1.0
  6 @license: Apache Licence
  7 @file: get_idiom_from_baidu.py
  8 @time: 2018/10/21 20:35
  9 """
 10 
 11 __author__ = 'albert'
 12 __version__ = '1.0'
 13 
 14 import json
 15 import sqlite3
 16 
 17 import os
 18 import requests
 19 import socket
 20 import time
 21 import sys
 22 
 23 # 總頁數，直接手動，不去獲取了
 24 page_count = 1546
 25 
 26 # 組裝請求頭
 27 header = {
 28     'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
 29     'Accept-Encoding': 'gzip, deflate, sdch',
 30     'Accept-Language': 'zh-CN,zh;q=0.9',
 31     'Connection': 'keep-alive',
 32     'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.67 Safari/537.36'
 33 }
 34 # 默認數據庫
 35 db_filename = 'idiom.sqlite3'
 36 
 37 
 38 def get_idiom_data(start_pagenum=1, end_pagenum=10, all=False):
 39     '''
 40       爬取百度成語數據，解析並保存到數據到數據庫
 41       :param start_pagenum: 默認從第1頁開始
 42       :param end_pagenum: 默認第10頁結束
 43       '''
 44     global page_count, header
 45 
 46     # 統計成語條數
 47     idiom_count = 0
 48     # 進度條
 49     page_num = 0
 50     get_url = 'https://hanyu.baidu.com/hanyu/ajax/search_list?wd=%E6%88%90%E8%AF%AD&from=poem&pn={}&_={}'.format(1, int(round(time.time() * 1000)))
 51 
 52     # 獲取所有成語
 53     if all:
 54         end_pagenum = page_count
 55 
 56     for i in range(start_pagenum, end_pagenum + 1):
 57         # 鏈接數據庫
 58         conn = sqlite3.connect(db_filename)
 59         cursor = conn.cursor()
 60 
 61         # 當前時間戳
 62         # t = int(round(time.time() * 1000))
 63         # 模擬請求獲取json數據
 64         try:
 65             # 自動保存cookie
 66             s = requests.session()
 67             header['Referrer'] = get_url
 68 
 69             # 百度 ajax 成語請求API
 70             get_url = 'https://hanyu.baidu.com/hanyu/ajax/search_list?wd=%E6%88%90%E8%AF%AD&from=poem&pn={}&_={}'.format(i, int(round(time.time() * 1000)))
 71 
 72             # 模擬請求
 73             result = s.get(get_url, headers=header)
 74             # 判斷請求是否成功
 75             if result.status_code == 200:
 76                 res = json.loads(result.text)
 77                 page_count = res['extra']['total-page']
 78                 # 獲得返回的成語
 79                 for a in range(len(res['ret_array'])):
 80                     txt = res['ret_array'][a]
 81                     # 條數遞增
 82                     idiom_count += 1
 83 
 84                     # 目前只需：成語、拼音
 85                     name = (get_vaule(txt, 'name'))[0].strip()
 86                     pinyin = (get_vaule(txt, 'pinyin'))[0].strip()
 87                     pinyin_list = pinyin.split(" ")
 88 
 89                     # 例句
 90                     # liju = get_vaule(txt, 'liju')[0]
 91                     # 出處
 92                     # tmp = get_vaule(txt, 'source')[0]
 93                     # if len(tmp) > 0:
 94                     #     source = tmp.replace('"', '').replace("'", "").replace('\n', '')
 95                     # else:
 96                     #     source = ''
 97                     # 同義詞
 98                     # get_vaule(txt, 'synonym')
 99                     # tmp = get_vaule(txt, 'term_synonym')
100                     # if len(tmp) > 0:
101                     #     synonym = tmp
102                     # else:
103 
104                     # ID，成語，拼音，成語首字，尾字，首拼，尾拼
105                     cursor.execute(
106                         'insert into IDIOM (ID,NAME,PINYIN,NAMEF,NAMEL,PINYINF,PINYINL) values (NULL,"%s","%s","%s","%s","%s","%s")' %
107                         (name, pinyin, name[0], name[len(name) - 1], pinyin_list[0], pinyin_list[len(pinyin_list) - 1]))
108             else:
109                 print("獲取數據失敗：第"+i+"頁")
110         except requests.exceptions.ConnectTimeout as e:
111             print("http請求超時！" + str(e))
112         except socket.timeout as e:
113             print("請求超時！ " + str(e))
114         except socket.error as e:
115             print("請求錯誤！" + str(e))
116         finally:
117             # 每獲取一頁，保存一次
118             cursor.close()
119             conn.commit()
120             conn.close()
121         # 進度條
122         page_num += 1
123         view_bar(page_num, end_pagenum)
124     print('\n本次爬取[百度成語] :  第 ' + str(start_pagenum) + ' 至 ' +
125           str(end_pagenum) + ' 頁，共計 ' + str(idiom_count) + ' 條')
126 
127 def view_bar(num, total):
128     '''進度條'''
129     rate = num / total
130     rate_num = int(rate * 100)
131     # r = '\r %d%%' %(rate_num)
132     r = '\r[%s>] %d%%' % ('=' * rate_num, rate_num)
133     sys.stdout.write(r)
134     sys.stdout.flush
135 
136 
137 def get_vaule(idiom_dict, key_vaule):
138     if key_vaule in idiom_dict.keys():
139         return idiom_dict[key_vaule]
140     else:
141         return [' ']
142 
143 
144 def init_db(filename=db_filename):
145     '''
146      若是數據庫不存在，自動在當前目錄建立idiom.sqlite3:
147     '''
148     if not os.path.exists(filename):
149         conn = sqlite3.connect(filename)
150         # 建立一個Cursor:
151         cursor = conn.cursor()
152         # 建表ID 自增加key
153         cursor.execute(
154             'CREATE TABLE IDIOM (ID INTEGER PRIMARY KEY AUTOINCREMENT, NAME VARCHAR(100),NAMEF VARCHAR(10),NAMEL VARCHAR(10),\
155               PINYIN VARCHAR(100),PINYINF VARCHAR(10),PINYINL VARCHAR(10))')
156         # 關閉Cursor:
157         cursor.close()
158         # 提交事務:
159         conn.commit()
160         # 關閉Connection:
161         conn.close()
162 
163 
164 if __name__ == '__main__':
165     # 初始化數據庫
166     init_db()
167 
168     # 獲取1-10頁的數據，數據庫只會往裏一直加數據，未作去重，因此如下三個方式，用最後一種。
169     # get_idiom_data()
170 
171     # 獲取x-x頁的數據
172     # get_idiom_data(start_pagenum=10,end_pagenum=30)
173 
174     # 獲取全部數據
175     get_idiom_data(all=True)