制作CVPR 热词云（并爬取pdf地址 名称）

 

任务目标：

1.结对开发

2.完成论文的题目、摘要、关键词、原文链接四项内容爬取；

3.存储到本地数据库中

4.按照题目、关键词分类统计得到最热的十个领域方向

（完成的任务和目标有出入）

爬取的python 代码：

发布的服务地址（第一次 献丑啦）

#!/usr/bin/python  #这里是解释器位置和python版本
#-*- coding: utf-8 -*-  #编码格式

"""
@author: CuiXingYu
@contact: a15931829662@163.com
@software: PyCharm
@file: CVPR.py
@time: 2020/4/17 19:36
"""

import re
import requests
import pymysql

def get_context(url):
    """
    params:
        url: link
    return:
        web_context
    """
    web_context = requests.get(url)
    return web_context.text


def get_conn():
    """
    建立数据库连接
    :return:
    """
    conn=pymysql.connect(
                        #本机IP地址
                        host='127.0.0.1',
                        #数据库用户名
                        user='root',
                        #密码
                        password='101032',
                        #需要操作的数据库名称
                        db='db_database07',
                        )
    #cursor对象 可以进行sql语句执行 和 获得返回值
    cursor=conn.cursor()
    return conn,cursor

def close_conn(conn,cursor):
    """
    关闭连接
    :param conn: 连接对象
    :param cursor: cursor对象
    :return:
    """
    if cursor:
        cursor.close()
    if conn:
        conn.close()


def get_name():
    """
    获取论文的名字 url 地址
    :return:
    """
    conn,cursor=get_conn()

    url = 'http://openaccess.thecvf.com//CVPR2019.py'
    web_context = get_context(url)

    # find paper files

    '''
    (?<=href=\"): 寻找开头，匹配此句之后的内容
    .+: 匹配多个字符（除了换行符）
    ?pdf: 匹配零次或一次pdf
    (?=\">pdf): 以">pdf" 结尾
    |: 或
    '''
    info = []
    # link pattern: href="***_CVPR_2019_paper.pdf">pdf
    link_list = re.findall(r"(?<=href=\").+?pdf(?=\">pdf)|(?<=href=\').+?pdf(?=\">pdf)", web_context)
    # name pattern: <a href="***_CVPR_2019_paper.html">***</a>
    name_list = re.findall(r"(?<=2019_paper.html\">).+(?=</a>)", web_context)

    for one,two in zip(name_list,link_list):
        info.append([one,two])

    # sql语句 对数据库进行操作
    sql = "insert into paperinfo(name,url) values(%s,%s)"
    try:
        # 执行sql语句
        cursor.executemany(sql,info)
        conn.commit()
    except:
        conn.rollback()
    close_conn(conn, cursor)



def saveContent_list(hotword ,number):
    """
    插入数据库
    :param hotword:  单词
    :param number:  数量
    :return:
    """
        # 打开数据库连接（ip/数据库用户名/登录密码/数据库名）
    conn,cursor=get_conn()
    sql="insert into hotword (hotword,number) values (%s,%s)"
    val=(hotword,number)
    cursor.execute(sql,val)
        # 使用 fetchone() 方法获取数据.
    conn.commit()
        # 关闭数据库连接（别忘了）
    conn.close()

def get_hotword():
        """
        爬取热词并统计数目
        :return:
        """
        url = 'http://openaccess.thecvf.com//CVPR2019.py'
        web_context = get_context(url)
        name_list = re.findall(r"(?<=2019_paper.html\">).+(?=</a>)", web_context)
        text = " "
        for word in name_list:
            text = text + word
        word = text.split()
        word_dict = {}
        for w in word:
            if w not in word_dict:
                word_dict[w] = 1
            else:
                word_dict[w] = word_dict[w] + 1
        a = sorted(word_dict.items(), key=lambda item: item[1], reverse=True)
            # sql语句 对数据库进行操作
        for x in a:
            try:
                word=x[0]
                num=x[1]
                saveContent_list(word,num)
            except:
                print("失败")

get_hotword()
get_name()
爬虫

实现的Web界面：

  1 <%@ page language="java" contentType="text/html; charset=UTF-8"
  2     pageEncoding="UTF-8"%>
  3 
  4 <%@taglib uri="http://java.sun.com/jsp/jstl/core" prefix="c"%>
  5 
  6 <%request.setCharacterEncoding("utf-8"); 
  7 response.setCharacterEncoding("utf-8");%>
  8     <%
  9     
 10 String path = request.getContextPath();
 11 String basePath = request.getScheme()+"://"+request.getServerName()+":"+request.getServerPort()+path+"/";
 12 %>
 13 <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
 14 <html>
 15     <head>
 16         <meta charset="utf-8">
 17             <base href="<%=basePath%>">
 18         <!--//    echarts CDN-->
 19         <script src='https://cdn.bootcss.com/echarts/3.7.0/echarts.simple.js'></script>
 20         <!--//    下载wordcloud.js文件
 21         //    https://github.com/ecomfe/echarts-wordcloud-->
 22         <script src="js/worldcloud.js"></script>
 23         <script src="js/jquery-3.4.1.min.js"></script>
 24     </head>
 25     <body>
 26         <style>
 27             html, body{
 28                 width: 100%;
 29                 height: 100%;
 30                 margin: 0;
 31             }
 32             #main{
 33                 width: 600px;
 34                 height: 500px;
 35                 background: rgba(70, 120, 200, 0.2)
 36             }
 37             a{
 38                 text-decoration: none;
 39                  font-family: Segoe UI Light;
 40                  font-size: 20px; 
 41             }
 42         </style>
 43         <div id='main'></div>
 44         <script>
 45         var chart = echarts.init(document.getElementById('main'));
 46         var postURL = "WordServlet";
 47         var mydata = new Array();
 48         $.ajaxSettings.async = false;
 49         $.post(postURL, {}, function(rs) {
 50             var dataList = JSON.parse(rs);
 51             for (var i = 0; i < dataList.length; i++) {
 52                 var d = {};
 53                 d['name'] = dataList[i].word;
 54                 d['value'] = dataList[i].number;
 55                 mydata.push(d);
 56             }
 57         });
 58         $.ajaxSettings.async = true;
 59         var option = {
 60             tooltip : {},
 61             series : [ {
 62                 type : 'wordCloud',
 63                 gridSize : 2,
 64                 sizeRange : [ 20, 50 ],
 65                 rotationRange : [ -90, 90 ],
 66                 shape : 'pentagon',
 67                 width : 800,
 68                 height : 600,
 69                 drawOutOfBound : false,
 70                 textStyle : {
 71                     normal : {
 72                         color : function() {
 73                             return 'rgb('
 74                                     + [ Math.round(Math.random() * 160),
 75                                             Math.round(Math.random() * 160),
 76                                             Math.round(Math.random() * 160) ]
 77                                             .join(',') + ')';
 78                         }
 79                     },
 80                     emphasis : {
 81                         shadowBlur : 10,
 82                         shadowColor : '#333'
 83                     }
 84                 },
 85                 data : mydata
 86             } ]
 87         };
 88         chart.setOption(option);
 89         chart.on('click', function(params) {
 90             var url = "ClickServlet?name=" + params.name;
 91             window.location.href = url;
 92         });
 93  
 94             
 95         </script>
 96         <div>
 97         <table class="table table-hover">
 98             <thead>
 99                 <tr>
100                     <td style="font-size: 20px;">论文链接</td>
101                 </tr>
102             </thead>
103             <tbody>
104                 <c:forEach items="${list}" var="data" varStatus="vs">
105                     <tr>
106                         <td><a href="${data.url}">${data.name}</a></td>
107                     </tr>
108                 </c:forEach>
109             </tbody>
110         </table>
111     </div>
112         
113     </body>
114 </html>
Web 热力图

效果展示：

 

 

热词爬取有问题，还未修改（羞愧）。多是代词 。。。。

 

posted @ 2020-04-16 20:08  不懂就要问！  阅读(240)  评论(0)    收藏  举报