python 手把手教你基於搜尋引擎實現文章查重

1_bit發表於2020-09-13
Python

本文正在參加部落格大賽，歡迎投票支援：
https://tp.wjx.top/jq/91687657.aspx
投票1_bit，多謝各位!

前言

文章抄襲在網際網路中普遍存在，很多博主都收受其煩。近幾年隨著網際網路的發展，抄襲等不道德行為在網際網路上愈演愈烈，甚至複製、黏貼後釋出標原創屢見不鮮，部分抄襲後的文章甚至標記了一些聯絡方式從而使讀者獲取原始碼等資料。這種惡劣的行為使人憤慨。

本文使用搜尋引擎結果作為文章庫，再與本地或網際網路上資料做相似度對比，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，從而輕易的擴充套件出情感分析功能（下一篇將在此篇程式碼的基礎上完成資料採集、清洗到情感分析的整個過程）。

由於近期時間上並不充裕，暫時實現了主要功能，細節上並沒有進行優化，但是在程式碼結構上進行了一些簡要的設計，使得之後的功能擴充套件、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了考慮適配大多數站點，從而使用selenium用作資料獲取，配置不同搜尋引擎的資訊，實現較為通用的搜尋引擎查詢，並且不需要考慮過多的動態資料抓取；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字相似度的對比並匯出對比資料至Excel文章留作舉報資訊。

微博情感分析基於sklearn，使用樸素貝葉斯完成對資料的情感分析；在資料抓取上，實現流程與文字查重的功能類似。

測試程式碼獲取

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

環境

作者的環境說明如下：

  • 作業系統：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、實現文字查重

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，點選下載
  • 如果是使用火狐瀏覽器，檢視火狐瀏覽器版本，點選
    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）

安裝了selenium後新建一python檔名為selenium_search，先在程式碼中引入

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')

新建一個變數url賦值為百度首頁連結，使用get方法傳入url地址，嘗試開啟百度首頁，完整程式碼如下：

from selenium import webdriver

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

在小黑框中使用命令列執行python檔案（windows下）：
在這裡插入圖片描述
執行指令碼後將會開啟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開啟了指定網址，接下來將指定搜尋關鍵詞查詢得到結果，再從結果中遍歷到相似資料。

1.2 selenium百度搜尋引擎關鍵詞搜尋

在自動操控瀏覽器進行關鍵字鍵入到搜尋框前，需要獲取搜尋框元素物件。使用谷歌瀏覽器開啟百度首頁，右鍵搜尋框選擇檢視，將會彈出網頁元素（程式碼）檢視視窗，找到搜尋框元素（使用滑鼠在元素節點中移動，滑鼠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程式碼中，id的值大多數情況下唯一（除非是打錯了），在此選擇id作為獲取搜尋框元素物件的標記。selenium提供了find_element_by_id方法，可以通過傳入id獲取到網頁元素物件。

input=driver.find_element_by_id('kw')

獲取元素物件後，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 物件導向')

在此我傳入了 “php基礎教程 第十一步 物件導向”作為關鍵字作為搜尋。執行指令碼檢視是否在搜尋框中鍵入了關鍵字。程式碼如下：

input.send_keys('php基礎教程 第十一步 物件導向')

成功開啟瀏覽器並鍵入了搜尋關鍵字：
在這裡插入圖片描述
現在還差點選“百度一下”按鈕完成最終的搜尋。使用與檢視搜尋框相同的元素檢視方法查詢“百度一下”按鈕的id值：
在這裡插入圖片描述
使用find_element_by_id方法獲取到該元素物件，隨後使用click方法使該按鈕完成點選操作：

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

完整程式碼如下：

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 物件導向')
search_btn=driver.find_element_by_id('su')
search_btn.click()

瀏覽器自動完成了鍵入搜尋關鍵字及搜尋功能：
在這裡插入圖片描述

1.3 搜尋結果遍歷

當前已在瀏覽器中得到了搜尋結果，接下來需要獲取整個web頁面內容，得到搜尋結果。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尋結果。

BeautifulSoup是一個HTML/XML解析器，使用BeautifulSoup會極大的方便我們對整個html的資訊獲取。
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檔案頭部引入：

from bs4 import BeautifulSoup

獲取html文字可以呼叫page_source即可：

html=driver.page_source

得到了html程式碼後，新建BeautifulSoup物件，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")

接下來檢視搜尋內容，發現所有的結果都由一個h標籤包含，並且class為t：
在這裡插入圖片描述
BeautifulSoup提供了select方法對標籤進行獲取，支援通過類名、標籤名、id、屬性、組合查詢等。我們發現百度搜尋結果中，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')

在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。
完成這一步後可以新增print嘗試列印出結果：

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資料渲染到瀏覽器前已經獲取了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，在此只是暫時使用，之後將會用其它效率高於此方法的程式碼替換（使用time需要在頭部引入）：

time.sleep(2)

完整程式碼如下：

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 物件導向')
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)

執行程式將會輸出內容：
在這裡插入圖片描述
獲取到的結果為所有class為t的標籤，包括該標籤的子節點，並且使用點（.）運算髮可以獲取子節點元素。通過瀏覽器得到的搜尋內容皆為連結，點選可跳轉，那麼只需要獲取每一個元素下的a標籤即可：

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尋結果的a標籤已經獲取，那麼接下來我們需要的是提取每個a標籤內的href超連結。獲取href超連結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'])

執行指令碼成功得到結果：
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，並不利於長期儲存，在此還是需要獲取到真實的連結。
我們呼叫js指令碼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資訊即可。呼叫execute_script方法可執行js程式碼，程式碼如下：

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

開啟新的網頁後，需要獲取新網頁的控制程式碼，否則無法操控新網頁。獲取控制程式碼的方法如下：

handle_this=driver.current_window_handle#獲取當前控制程式碼
handle_all=driver.window_handles#獲取所有控制程式碼

獲取控制程式碼後需要把當前操作的物件切換成新的頁面。由於開啟一個頁面後所有頁面只有2個，簡單的使用遍歷做一個替換：

handle_exchange=None#要切換的控制程式碼
for handle in handle_all:#不匹配為新控制程式碼
   if handle != handle_this:#不等於當前控制程式碼就交換
        handle_exchange = handle
driver.switch_to.window(handle_exchange)#切換

切換後，操作物件為當前剛開啟的頁面。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，把操作物件置為初始頁面：

driver.close()
driver.switch_to.window(handle_this)#換回最初始介面

執行指令碼成功獲取到真實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儲存：

real_url_list.append(real_url)

這一部分完整程式碼如下：

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 物件導向')
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#獲取當前控制程式碼
    handle_all=driver.window_handles#獲取所有控制程式碼
    handle_exchange=None#要切換的控制程式碼
    for handle in handle_all:#不匹配為新控制程式碼
        if handle != handle_this:#不等於當前控制程式碼就交換
            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)#儲存結果
    driver.close()
    driver.switch_to.window(handle_this)

1.4 獲取源文字

在當前檔案的目錄下新建一個資料夾，命名為textsrc，在該目錄下建立一個txt檔案，把需要對比的文字存放至該文字中。在此我存放的內容為文章“php基礎教程 第十一步 物件導向”的內容。
在這裡插入圖片描述
在程式碼中編寫一個函式為獲取文字內容：

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

為了方便測試，這裡使用是絕對路徑。
獲取到文字內容後，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實現餘弦相似度文字比較》，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演算法，一般步驟分為分詞->向量計算->計算相似度。
新建一個python檔案，名為Analyse。新建一個類名為Analyse，在類中新增分詞方法，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變數，text變數為文字，使用textrank方法分詞並且使用Counter計數。
隨後新增MergeWord方法，使詞合併方便之後的向量計算：

#詞合併
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

合併方法很簡單不再做解釋。接下來新增向量計算方法：

# 得出文件向量
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

最後新增相似度計算方法：

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。為了程式碼冗餘度少，在這裡先簡單的新增一個方法，完成計算流程：

def get_Tfidf(self,text1,text2):#測試對比本地資料對比搜尋引擎方法
        # 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類的完整程式碼如下：

from jieba import lcut
import jieba.analyse
import collections

class Analyse:
    def get_Tfidf(self,text1,text2):#測試對比本地資料對比搜尋引擎方法
        # 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
    #詞合併
    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
    # 得出文件向量
    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 搜尋結果內容與文字做相似度對比

在selenium_search檔案中引入Analyse，並且新建物件：

from Analyse import Analyse
Analyse=Analyse()

在遍歷搜尋結果中新增獲取新開啟後的頁面的網頁內容：

time.sleep(5)
html_2=driver.page_source

使用 time.sleep(5)是為了等待瀏覽器能夠有時間渲染當前web內容。獲取到新開啟的頁面內容後，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))

完整程式碼如下：

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()

#獲取對比檔案
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 物件導向')
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#獲取當前控制程式碼
    handle_all=driver.window_handles#獲取所有控制程式碼
    handle_exchange=None#要切換的控制程式碼
    for handle in handle_all:#不匹配為新控制程式碼
        if handle != handle_this:#不等於當前控制程式碼就交換
            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)

執行指令碼：
在這裡插入圖片描述
結果顯示有幾個高度相似的連結，那麼這幾個就是疑似抄襲的文章了。
以上是完成基本查重的程式碼，但是相對於說程式碼比較冗餘、雜亂，接下來我們優化一下程式碼。

二、程式碼優化

通過以上的程式程式設計，簡要步驟可以分為：獲取搜尋內容->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用於搜尋、資料獲取等；Analyse用於相似度分析、向量計算等；SearchEngine用於不同搜尋引擎的基本配置，因為大部分搜多引擎的搜尋方式較為一致。

2.1Browser 類

初始化
新建一個python檔案，名為Browser，新增初始化方法：

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()為新建一個瀏覽器物件；conf為傳入的搜尋配置，之後進行搜尋內容由編寫配置字典實現；self.engine_conf=EngineConfManage().get_Engine_conf(conf['engine']).get_conf()為獲取搜尋引擎的配置，不同搜尋引擎的輸入框、搜尋按鍵不一致，通過不同的配置資訊實現多搜尋引擎搜尋。

新增搜尋方法

	#搜尋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']與self.conf['kw']通過初始化方法得到對應的搜尋引擎配置資訊，直接獲取資訊得到元素。

點選搜尋

	#搜尋框點選
    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']獲取搜尋按鈕的id。

獲取搜尋結果與文字

#獲取搜尋結果與文字
    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  #獲取當前控制程式碼
            handle_all=self.browser.window_handles          #獲取所有控制程式碼
            handle_exchange=None                            #要切換的控制程式碼
            for handle in handle_all:                       #不匹配為新控制程式碼
                if handle != handle_this:                   #不等於當前控制程式碼就交換
                    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尋結果內容相似，從中新增了WebDriverWait(self.browser,timeout=30,poll_frequency=1).until(EC.presence_of_element_located((By.ID, "page")))替代了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，id為page的網頁元素為分頁按鈕的標籤id，如果未獲取表示當前web頁並未載入完全，等待時間為timeout=3030秒，如果已過去則跳過等待。
以上程式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充套件。

開啟目標搜尋引擎進行搜尋

	#開啟目標搜尋引擎進行搜尋
    def search(self):
        self.browser.get(self.engine_conf['website'])       #開啟搜尋引擎站點
        self.send_keyword()                                 #輸入搜尋kw
        self.click_search_btn()                             #點選搜尋
        return self.get_search_res_url()                    #獲取web頁搜尋資料

最後新增一個search方法，直接呼叫search方法即可實現之前的所有操作，不用暴露過多簡化使用。
完整程式碼如下：

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()
    #搜尋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'])
    #搜尋框點選
    def click_search_btn(self):
        search_btn = self.browser.find_element_by_id(self.engine_conf['searchBtnID'])
        search_btn.click()
    #獲取搜尋結果與文字
    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  #獲取當前控制程式碼
            handle_all=self.browser.window_handles          #獲取所有控制程式碼
            handle_exchange=None                            #要切換的控制程式碼
            for handle in handle_all:                       #不匹配為新控制程式碼
                if handle != handle_this:                   #不等於當前控制程式碼就交換
                    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
    
    #開啟目標搜尋引擎進行搜尋
    def search(self):
        self.browser.get(self.engine_conf['website'])       #開啟搜尋引擎站點
        self.send_keyword()                                 #輸入搜尋kw
        self.click_search_btn()                             #點選搜尋
        return self.get_search_res_url()                    #獲取web頁搜尋資料

2.2SearchEngine 類

SearchEngine類主要用於不同搜尋引擎的配置編寫。更加簡便的實現搜尋引擎或相似業務的擴充套件。

#搜尋引擎配置
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

在此只實現了百度搜尋引擎的配置編寫。所有不同種類的搜尋引擎繼承EngineConf基類，使子類都有了get_conf方法。EngineConfManage類用於不同搜尋引擎的呼叫，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檔案：

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

獲取檔案並新建資料分析類：

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

配置資訊字典編寫：

#配置資訊
conf={
       'kw':'php基礎教程 第十一步 物件導向',
       'engine':'baidu',
    }

新建Browser類，並傳入配置資訊：

drvier=Browser(conf)

獲取搜尋結果及內容

url_content=drvier.search()#獲取搜尋結果及內容

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]))

完整程式碼如下：

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')#獲取本地文字
Analyse=Analyse()

#配置資訊
conf={
       'kw':'php基礎教程 第十一步 物件導向',
       'engine':'baidu',
    }
    
drvier=Browser(conf)
url_content=drvier.search()#獲取搜尋結果及內容
for k in url_content:
    print(k,'相似度：',Analyse.get_Tfidf(src,url_content[k]))

是不是感覺舒服多了？簡直不要太清爽。你以為這就完了嗎？還沒完，接下來擴充套件一下功能。

三、功能擴充套件

暫時這個小工具的功能只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、只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匯出等。接下來慢慢完善部分功能，由於篇幅關係並不完全把的功能實現在此列出，之後將會持續更新。

3.1自動獲取文字

新建一個python檔案，名為FileHandle。該類用於自動獲取指定目錄下txt檔案，txt檔案檔名為關鍵字，內容為該名稱的文章內容。類程式碼如下：

import os

class FileHandle:
    #獲取檔案內容
    def get_content(self,path):
        f = open(path,"r")   #設定檔案物件
        content = f.read()     #將txt檔案的所有內容讀入到字串str中
        f.close()   #將檔案關閉
        return content
	#獲取檔案內容
    def get_text(self):
        file_path=os.path.dirname(__file__)                                 #當前檔案所在目錄
        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 檔案
        for (dirpath,dirnames,filenames) in os.walk(rootdir):
            for filename in filenames:
                if os.path.splitext(filename)[1]=='.txt':
                    flag_file_path=dirpath+'\\'+filename                    #檔案路徑
                    flag_file_content=self.get_content(flag_file_path) #讀檔案路徑
                    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_content與get_text。get_text為獲取目錄下所有txt檔案路徑，通過get_content獲取到詳細文字內容，返回local_text；local_text鍵為檔名，值為文字內容。

3.2BrowserManage類

在Browser類檔案中新增一個BrowserManage類繼承於Browser，新增方法：

#開啟目標搜尋引擎進行搜尋
    def search(self):
        self.browser.get(self.engine_conf['website'])       #開啟搜尋引擎站點
        self.send_keyword()                                 #輸入搜尋kw
        self.click_search_btn()                             #點選搜尋
        return self.get_search_res_url()                    #獲取web頁搜尋資料

新增該類使Browser類的邏輯與其它方法分開，便於擴充套件。

3.3Browser類的擴充套件

在Browser類中新增下一頁方法，使搜尋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")))
        #百度搜尋引擎翻頁後下一頁按鈕 xpath 不一致 預設非第一頁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

百度搜尋引擎翻頁後下一頁按鈕 xpath 不一致 預設非第一頁xpath，出現異常使用另外一個xpath。隨後對頁面進行md5，對比md5值，如果當前頁面沒有重新整理，md5值將不會改變，等待小短時間之後點選下一頁。

3.4get_search_res_url方法的修改

get_search_res_url方法的修改了部分內容，新增了增加結果條數指定、下一頁內容獲取以及白名單設定更改過後的程式碼如下：

#獲取搜尋結果與文字
    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  #獲取當前控制程式碼
                handle_all=self.browser.window_handles          #獲取所有控制程式碼
                handle_exchange=None                            #要切換的控制程式碼
                for handle in handle_all:                       #不匹配為新控制程式碼
                    if handle != handle_this:                   #不等於當前控制程式碼就交換
                        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']:為增加了對結果條數的判斷。

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

以上程式碼增加了當前頁面重新整理後的md5值判斷，不一致則進行跳轉。

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

以上程式碼對白名單進行了判斷，自己設定的白名單不加入到條數。

3.5新建Manage類

新建一python檔名為Manage，再次封裝。程式碼如下：

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()#獲取搜尋結果及內容
            for k1 in url_content:
                res[k1]=self.analyse.get_Tfidf(self.textdic[k],url_content[k1])
            resdic[k]=res
        return resdic

以上程式碼初始化方法接收一個引數，且初始化方法中新建了BrowserManage物件、Analyse物件以及獲取了文字內容。
get_local_analyse方法遍歷文字，使用檔名當作關鍵字進行搜尋，並且將搜尋內容與當前文字做相似度對比，最後返回結果。
結果如下：
在這裡插入圖片描述
博主目錄下檔案如下：
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GitHub及csdn的程式碼倉庫中，使用的無頭模式，本篇所講的內容為一般實現。

所有完整的程式碼如下

Analyse類：

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

class Analyse:
    def get_Tfidf(self,text1,text2):#測試對比本地資料對比搜尋引擎方法
        # 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
    #詞合併
    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
    # 得出文件向量
    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()
    #搜尋內容設定
    def set_kw(self,kw):
        self.conf['kw']=kw
    #搜尋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'])
    #搜尋框點選
    def click_search_btn(self):
        search_btn = self.browser.find_element_by_id(self.engine_conf['searchBtnID'])
        search_btn.click()
    #獲取搜尋結果與文字
    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  #獲取當前控制程式碼
                handle_all=self.browser.window_handles          #獲取所有控制程式碼
                handle_exchange=None                            #要切換的控制程式碼
                for handle in handle_all:                       #不匹配為新控制程式碼
                    if handle != handle_this:                   #不等於當前控制程式碼就交換
                        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")))
        #百度搜尋引擎翻頁後下一頁按鈕 xpath 不一致 預設非第一頁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):    
    #開啟目標搜尋引擎進行搜尋
    def search(self):
        self.browser.get(self.engine_conf['website'])       #開啟搜尋引擎站點
        self.send_keyword()                                 #輸入搜尋kw
        self.click_search_btn()                             #點選搜尋
        return self.get_search_res_url()                    #獲取web頁搜尋資料

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()#獲取搜尋結果及內容
            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:
    #獲取檔案內容
    def get_content(self,path):
        f = open(path,"r")   #設定檔案物件
        content = f.read()     #將txt檔案的所有內容讀入到字串str中
        f.close()   #將檔案關閉
        return content
	#獲取檔案內容
    def get_text(self):
        file_path=os.path.dirname(__file__)                                 #當前檔案所在目錄
        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 檔案
        for (dirpath,dirnames,filenames) in os.walk(rootdir):
            for filename in filenames:
                if os.path.splitext(filename)[1]=='.txt':
                    flag_file_path=dirpath+'\\'+filename                    #檔案路徑
                    flag_file_content=self.get_content(flag_file_path) #讀檔案路徑
                    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
#配置資訊
conf={
       'engine':'baidu',
       'target_page':5
       'white_list':white_list,
    }

print(Manage(conf).get_local_analyse())

此文轉載請註明原文地址：https://blog.csdn.net/A757291228
CSDN:@1_bit

相關文章