【零基礎成為 AI 解夢大師秘笈】Day19 - 周易解夢之網路爬蟲進階篇

12th鐵人賽

人工智慧 - 自由團隊

團隊AI . FREE Team

2020-10-04 13:41:50

1593 瀏覽

分享至

斜槓學習 – 零基礎成為 AI 解夢大師秘笈

前言

系列文章簡介

大家好，我們是 AI . FREE Team - 人工智慧自由團隊，這一次的鐵人賽，自由團隊將從0到1 手把手教各位讀者學會 (1)Python基礎語法 (2)Python Web 網頁開發框架 – Django (3)Python網頁爬蟲 – 周易解夢網 (4)Tensorflow AI語言模型基礎與訓練 – LSTM (5)實際部屬AI解夢模型到Web框架上。

為什麼技術要從零開始寫起

自由團隊的成立宗旨為開發AI/新科技的學習資源，提供各領域的學習者能夠跨域學習資料科學，並透過自主學習發展協槓職涯，結合智能應用到各式領域，無論是文、法、商、管、醫領域的朋友，都可以自由的學習AI技術。

資源

AI . FREE Team 讀者專屬福利 → Python Basics 免費學習資源

今日目標

準備AI解夢資料，爬取解夢網站資料!

1 誰能幫我解夢?

你最近有沒有做甚麼奇怪的夢?夢裡是不是跑出甚麼動物?像是蛇、牛或是老鼠，或者是夢到甚麼奇特的事情?像是正在往下掉或是被搶劫，當我做了這種奇怪的夢時，我就會想這個夢是不是有甚麼特殊的意思呢?這時，我就會到一些解夢的網站看看，了解一下夢到這些事情，通常代表甚麼含意，滿足自己的好奇心。
最近在研究GPT2時，突然想到語言模型已經廣泛運用在各種聊天機器人上，我們是不是也可以嘗試讓AI 幫助我們解夢呢?接下來，跟著我一起來做AI 解夢吧!

2 AI 解夢的資料從哪來?

我們可以蒐集解夢網站的內文，來作為訓練AI 的資料，所以第一步我們要從網路爬蟲下手，後續在我們爬完整理完資料後，我們會透過GPT2模型來訓練這個模型。
我們用這個解夢網站做示範: https://www.golla.tw/

3 需要先載入甚麼套件?

使用 requests 可以從我們要的網頁中爬取資料。
使用Beautiful Soup 則可以去方便我們將request抓取的網頁資料，更容易呈現出網頁中的標題或是內文。
我們載入上面這些套件後，就可以來準備網頁爬蟲了!

import requests
from bs4 import BeautifulSoup

4 需要使用的指令?

利用 def 來定義我們的網頁爬蟲( web_crawl ) 功能。
利用for loop 來重複執行爬取不同解夢頁面的資料。
首先，我們要定義我們網路爬蟲的功能，我們需要一個header，因為爬蟲時，伺服器會憑藉headers來辨認你這位使用者，我們會用自己的User-Agent作為headers，讓伺服器認為我正在瀏覽網頁，實際上則是程式幫我爬取。另外，我們選擇UTF-8 作為我們的編碼方式，因為我們的資料類型是中文字，接下來用上Beautiful Soup 就可以從html格式中，抓取網頁的標題和內文了!

#定義我們網路爬蟲的功能
def web_crawl(weblink):
  headers = {
    	'user-agent': '你的user agent'
      }
  res = requests.get(weblink, headers=headers)
  res.encoding = 'UTF-8'
  soup = BeautifulSoup(res.text, 'html.parser')
  return soup

5 使用用select和for loop功能選到這些關鍵字的位置

接下來，我們要讓程式知道我們爬蟲時要擷取的資料是我們的標題和內文，我們要幫助程式找到標題和內文的位置，並且我們在解夢網站上不只是爬一篇解夢文，而是需要大量的解夢文來訓練我們的AI ，因此，我們需要使用到我們的for loop功能，最後，我們需要將爬取下來的大量文章做一些前處理，並且儲存到txt文件，幫助我們後續進行AI 訓練時做使用。
我們要讓程式知道我們爬蟲時要擷取的資料是我們的標題和內文，我們要幫助程式找到標題和內文的位置，我們使用某解夢網站嘗試我們的爬蟲，我們可以在這個網站頁面中選擇我們夢到的關鍵字(例如:蛇)。
首先，我們按下F12可以檢視網頁的原始碼，我們就可以看到網頁的內容，當我們點擊最左邊的檢查器/inspect(長得像滑鼠的圖案)，在回到網頁上點任一關鍵字，我們就可以知道這些關鍵字存放在原始碼中的甚麼位置，我們會發現它存放在bd 這個類別(class)下的超連結(a)中，我們用select和for loop功能選到這些關鍵字的位置。

soup_2 = web_crawl('https://www.golla.tw/')
a = soup_2.select('.bd a')
a
for i in a:
  print(str(i).split('"')[1])

6 使用for loop開始爬蟲

我們回想我們自己在搜尋的步驟，我們會選擇與我們做的夢相關的關鍵字，接著進入那個關鍵字的頁面，然後讀取內文，了解夢到這些事情，通常代表甚麼含意，因為需要大量的解夢文來訓練我們的AI，因此，我們需要使用到我們的for loop功能，爬取所有的解夢文。

link_2 = []
sub_link_2 = []
for i in a:
  if 'html' in str(i).split('"')[1]:
    link_html = 'https://www.golla.tw' + str(i).split('"')[1]
    if link_html in link_2:
      pass
    else:
      link_2.append(link_html)
  else:
    sub_html = 'https://www.golla.tw' + str(i).split('"')[1]
    if sub_html in sub_link_2:
      pass
    else:
      sub_link_2.append(sub_html)

7 將訓練用數據儲存到txt文件

最後，我們將爬取下來的大量文章儲存到txt文件，幫助我們後續進行AI 訓練時做使用。

#寫入txt中
with open("dream1_link_2.txt", "w") as f:
    for content in link_2:
        f.write(str(content) +"\n")

接下來，我們要進入後續的GPT2訓練囉!那我們明天見~

8 想更深入認識 AI . FREE Team?

自由團隊官方網站：https://aifreeblog.herokuapp.com/
自由團隊 Github：https://github.com/AI-FREE-Team/
自由團隊粉絲專頁：https://www.facebook.com/AI.Free.Team/
自由團隊 IG：https://www.instagram.com/aifreeteam/
自由團隊 Youtube：https://www.youtube.com/channel/UCjw6Kuw3kwM_il39NTBJVTg/

文章同步發布於：自由團隊部落格
(想看更多文章？學習更多AI知識？敬請鎖定自由團隊的頻道！)