前端小白的python实战: 报纸分词排序

先看效果：

环境

• win7 64位
• python 3.5

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。

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

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')

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)

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()

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。

最后附上项目地址：https://github.com/wangduandu...