使用百度NLP接口对搜狐新闻做分类

一、简介

本文主要是要利用百度提供的NLP接口对搜狐的新闻做分类，百度对NLP接口有提供免费的额度可以拿来练习，主要是利用了NLP里面有个文章分类的功能，可以顺便测试看看百度NLP分类做的准不准。详细功能与使用方式可以上（http://ai.baidu.com/tech/nlp/topictagger）观看。

二、建立爬虫

首先要先写一个可以快速爬取所有文章内容的爬虫程序，关于爬虫的原理可以看我之前写的介绍（https://www.cnblogs.com/yenpaul/p/9968015.html），这边就直接附上代码

def all_url():
    url = 'http://news.sohu.com/'
    data = requests.get(url).text
    s = etree.HTML(data)
    print('
')
    urls0 = s.xpath('/html/body/div[*]/div[*]/div[1]/div/div[*]/div[*]/div[*]/ul/li[*]/a/@href')
    urls1 = s.xpath('/html/body/div[*]/div[*]/div[1]/div/div[*]/div[*]/div/div[*]/div[*]/ul/li[*]/a/@href')
    urls2 = s.xpath('/html/body/div[*]/div[*]/div[1]/div[*]/div[*]/ul/li[*]/a/@href')
    urls3 = s.xpath('/html/body/div[*]/div[*]/div[1]/div/div[*]/div[*]/ul/li[*]/a/@href')
    urls_all = urls0+urls1+urls2+urls3
    f = open('urllist.txt','a')
    for url in urls_all:
        f.write(url)
        f.write("
")
    f.close()

先把搜狐首页的新闻链接全部抓下来放在“urllist.txt”的文件里面

可以看到这边都是新闻的链接，也就是我接下来要去爬取得网页

三、申请接口权限

由于是要利用百度的接口，必须要先在百度注册账号然后登陆，然后需要先创建一个项目，创建完会得到一组APP_ID，APP_KEY，APP_SECRECT，是用在接下来的接口鉴权上的，创建完再查看百度AI的API文档，python的可以看这边（http://ai.baidu.com/docs#/NLP-Python-SDK/top）

然后下拉到文章分类的接口

可以看到他需要两个参数，分别是文章的标题和文章的内容，再看返回参数的格式

我们只需要知道分类的这个tag放哪里就好

四、抓取资料，提供数据给接口

接着就是要去抓取资料，我们需要去抓“标题”和“内文”传给这个接口，并将返回的结果写入“xinwen.txt”这个记事本，下面是代码

def get_content():
    f = open('urllist.txt')
    u = 0
    for url in f:
        u = u+1
        print(u)
        head = {}
        head['User-Agent'] = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36'
        req = request.Request(url, headers=head)
        response = request.urlopen(req)
        data = response.read().decode('utf-8')
        s = etree.HTML(data)
        title = s.xpath('//*[@id="article-container"]/div[2]/div[1]/div[1]/h1/text()')
        content = s.xpath('//*[@id="mp-editor"]/p/text()')
        content_text = ''.join(content)
        type = client.topic(title, content)
        f = open('xinwen.txt','a')
        f.write('##')
        f.write(type['item']['lv1_tag_list'][0]['tag'])
        f.write('##')
        f.write(title[0])
        f.write('
')
    f.close()

由于搜狐也是有反爬虫，需要伪装user-agent，下面就是输出到文件的结果

可以看到百度分类的还算可以，不过没有分的很细，像是时事跟综合这两个的范围也太广了，大部分的新闻分这两个几乎不会错，然后也是有几个新闻分类错，例如最后一个明显不是娱乐新闻。