“GIS DICTIONARY A-Z” 查询页面开发（1）——bs4与词典数据处理

第一天的工作：找到数据源，数据下载，数据处理。

数据源："http://webhelp.esri.com/arcgisserver/9.3/java/geodatabases/definition_frame.htm"。

数据下载：右击网页另存为。

数据处理：bs4 + 对比观察 + chrome检查元素 + 写function写方法

 一、bs4部分

from bs4 import BeautifulSoup
soup = BeautifulSoup(open('GIS_dictionary.html','r',encoding='UTF-8'),features="lxml")
#tag标签
GlossaryTerm_list = soup.find_all(attrs={'class':'GlossaryTerm'})#完整，1729个
Definition_list = soup.find_all(attrs={'class':'Definition'})#缺<ol>

二、对比观察 + 检查元素

在准备GlossaryTerm和Definition的一一对应时发现二者的数量对不上。观察分析后确定是网站的前端代码对不同形式的Definition有不同的处理方法：对有多项释义的词汇使用了<ol>有序列表，它不能直接被bs4的属性查找选择到。

三、写方法

第一块：因为词组和解释在同一前端代码段内，故使用".text"和".a.attrs['name']"完成第一部分的对应。

'''
    完成Definition_list中已有的1610个解释的文本获取和词语对应
'''
defList = []
for i in Definition_list:
    defi = i.text.strip('\n')#修饰definition
    word = i.a.attrs['name'].replace('_',' ')#修饰glossary
    defList.append([defi,word])  #抓取所有解释和词语在小列表，再存入大列表
    if (i.text==''):                #确保没有definition为空
        print(i.a.attrs['name'])
#defList示例[["defi",'word'],["",''],["",''],["",'']...]

第二块：定义函数func_n()，清洗<ol>标签内的数据。其中使用了通过中间媒介list修改string的技巧和if筛查的方法。最后对应词组和相应的解释，完成项目的数据准备工作。明日计划：数据库。

'''
    <ol>标签，将defList补充完整，从Ctrl+F得到共有119个<ol>标签
    "1610+119=1729",成功！1729 == len(GlossaryTerm_list)
'''
#定义函数func_n
#格式化<ol>的definition：首位加"1."；将多个连续的"\n"收为一个；在"\n"后添加"2."等序号
def func_n(txt):
    lstTxt = list(txt)  #因为不能直接修改string，故将其打碎为list进行操作
    n = len(lstTxt)
    newlstTxt = ["1."]  #添加首位的"1."
    count = 2
    for i in range(n-1):
        if lstTxt[i]=='\n' and lstTxt[i]!=lstTxt[i+1] and lstTxt[i+1]!=' ':  #保留单独的"\n"，在其后添加序号；排除'\n'+' '的组合
            newlstTxt.append('\n')
            newlstTxt.append(str(count))
            newlstTxt.append('.')
            count += 1
        if lstTxt[i]!='\n' and lstTxt[i]!=lstTxt[i+1] and lstTxt[i]!='\t':  #放弃连续多个的"\n"、放弃所有的'\t'
            newlstTxt.append(lstTxt[i])
    newlstTxt.append(lstTxt[-1])    #添加for循环里没有的最后一位
    strTxt = ''.join(newlstTxt)     #''.join()函数将list变为string
    return strTxt
#实操
ol_list = soup.find_all('ol')
for j in ol_list:
    defi_ol = j.text.strip('\n')
    defi_ol = func_n(defi_ol)
    word_ol = j.a.attrs['name'].replace('_',' ')
    defList.append([defi_ol,word_ol])

 词典数据效果：