教你用python3根据关键词爬取百度百科的内容

Python  /  管理员 发布于 7年前   154

前言

关于python版本，我一开始看很多资料说python2比较好，因为很多库还不支持3，但是使用到现在为止觉得还是pythin3比较好用，因为编码什么的问题，觉得2还是没有3方便。而且在网上找到的2中的一些资料稍微改一下也还是可以用。

好了，开始说爬百度百科的事。

这里设定的需求是爬取北京地区n个景点的全部信息，n个景点的名称是在文件中给出的。没有用到api，只是单纯的爬网页信息。 

1、根据关键字获取url

由于只需要爬取信息，而且不涉及交互，可以使用简单的方法而不需要模拟浏览器。

可以直接

<strong>http://baike.baidu.com/search/word?word="guanjianci"</strong>

<strong>for </strong>l <strong>in </strong>view_names: <strong>'''http://baike.baidu.com/search/word?word=''' </strong><em># 得到url的方法</em><em> </em>name=urllib.parse.quote(l) name.encode(<strong>'utf-8'</strong>) url=<strong>'http://baike.baidu.com/search/word?word='</strong>+name

这里要注意关键词是中午所以要注意编码问题，由于url中不能出现空格，所以需要用quote函数处理一下。

关于quote():

在 Python2.x 中的用法是:urllib.quote(text)  。Python3.x 中是urllib.parse.quote(text)   。按照标准,URL只允许一部分ASCII 字符(数字字母和部分符号),其他的字符（如汉字)是不符合URL标准的。所以URL中使用其他字符就需要进行URL编码。URL中传参数的部分(query String),格式是：name1=value1&name2=value2&name3=value3。假如你的name或者value值中的『&』或者『=』等符号，就当然会有问题。所以URL中的参数字符串也需要把『&=』等符号进行编码。URL编码的方式是把需要编码的字符转化为%xx的形式。通常URL编码是基于UTF-8的（当然这和浏览器平台有关）

例子：

比如『我，unicode 为 0x6211,UTF-8编码为0xE60x880x91，URL编码就是 %E6%88%91。

Python的urllib库中提供了quote和quote_plus两种方法。这两种方法的编码范围不同。不过不用深究，这里用quote就够了。 

2、下载url

用urllib库轻松实现，见下面的代码中def download(self,url) 

3、利用Beautifulsoup获取html 

4、数据分析

百科中的内容是并列的段，所以在爬的时候不能自然的按段逻辑存储（因为全都是并列的）。所以必须用正则的方法。

基本的想法就是把整个html文件看做是str,然后用正则的方法截取想要的内容，在重新把这段内容转换成beautifulsoup对象，然后在进一步处理。

可能要花些时间看一下正则。

代码中还有很多细节，忘了再查吧只能，下次绝对应该边做编写文档，或者做完马上写。。。

贴代码！

# coding:utf-8''' function：爬取百度百科所有北京景点， author:yi'''import urllib.requestfrom urllib.request import urlopenfrom urllib.error import HTTPErrorimport urllib.parsefrom bs4 import BeautifulSoupimport reimport codecsimport json class BaikeCraw(object): def __init__(self):  self.urls =set()  self.view_datas= {}  def craw(self,filename):  urls = self.getUrls(filename)  if urls == None:   print("not found")  else:   for urll in urls:    print(urll)    try:     html_count=self.download(urll)     self.passer(urll, html_count)    except:     print("view do not exist")    '''file=self.view_datas["view_name"]    self.craw_pic(urll,file,html_count)     print(file)'''   def getUrls (self, filename):  new_urls = set()  file_object = codecs.open(filename, encoding='utf-16', )  try:   all_text = file_object.read()  except:   print("文件打开异常！")   file_object.close()  file_object.close()  view_names=all_text.split(" ")  for l in view_names:   if '?' in l:    view_names.remove(l)  for l in view_names:   '''http://baike.baidu.com/search/word?word=''' # 得到url的方法   name=urllib.parse.quote(l)   name.encode('utf-8')   url='http://baike.baidu.com/search/word?word='+name   new_urls.add(url)  print(new_urls)  return new_urls  def manger(self):  pass  def passer(self,urll,html_count):  soup = BeautifulSoup(html_count, 'html.parser', from_encoding='utf_8')  self._get_new_data(urll, soup)  return  def download(self,url):  if url is None:   return None  response = urllib.request.urlopen(url)  if response.getcode() != 200:   return None  return response.read()  def _get_new_data(self, url, soup): ##得到数据  if soup.find('div',class_="main-content").find('h1') is not None:   self.view_datas["view_name"]=soup.find('div',class_="main-content").find('h1').get_text()#景点名   print(self.view_datas["view_name"])  else:   self.view_datas["view_name"] = soup.find("div", class_="feature_poster").find("h1").get_text()  self.view_datas["view_message"] = soup.find('div', class_="lemma-summary").get_text()#简介  self.view_datas["basic_message"]=soup.find('div', class_="basic-info cmn-clearfix").get_text() #基本信息  self.view_datas["basic_message"]=self.view_datas["basic_message"].split("\n")  get=[]  for line in self.view_datas["basic_message"]:   if line != "":   get.append(line)  self.view_datas["basic_message"]=get  i=1  get2=[]  tmp="%%"  for line in self.view_datas["basic_message"]:    if i % 2 == 1:    tmp=line   else:    a=tmp+":"+line    get2.append(a)   i=i+1  self.view_datas["basic_message"] = get2  self.view_datas["catalog"] = soup.find('div', class_="lemma-catalog").get_text().split("\n")#目录整体  get = []  for line in self.view_datas["catalog"]:   if line != "":    get.append(line)  self.view_datas["catalog"] = get  #########################百科内容  view_name=self.view_datas["view_name"]  html = urllib.request.urlopen(url)  soup2 = BeautifulSoup(html.read(), 'html.parser').decode('utf-8')  p = re.compile(r'', re.DOTALL) # 尾  r = p.search(content_data_node)  content_data = content_data_node[0:r.span(0)[0]]  lists = content_data.split('')  i = 1  for list in lists:#每一大块   final_soup = BeautifulSoup(list, "html.parser")   name_list = None   try:    part_name = final_soup.find('h2', class_="title-text").get_text().replace(view_name, '').strip()    part_data = final_soup.get_text().replace(view_name, '').replace(part_name, '').replace('编辑', '') # 历史沿革    name_list = final_soup.findAll('h3', class_="title-text")    all_name_list = {}    na="part_name"+str(i)    all_name_list[na] = part_name    final_name_list = []###########    for nlist in name_list:     nlist = nlist.get_text().replace(view_name, '').strip()     final_name_list.append(nlist)    fin="final_name_list"+str(i)    all_name_list[fin] = final_name_list    print(all_name_list)    i=i+1    #正文    try:     p = re.compile(r'', re.DOTALL)     final_soup = final_soup.decode('utf-8')     r = p.search(final_soup)     final_part_data = final_soup[r.span(0)[0]:]     part_lists = final_part_data.split('')     for part_list in part_lists:      final_part_soup = BeautifulSoup(part_list, "html.parser")      content_lists = final_part_soup.findAll("div", class_="para")      for content_list in content_lists: # 每个最小段       try:        pic_word = content_list.find("div",    class_="lemma-picture text-pic layout-right").get_text() # 去掉文字中的图片描述        try:         pic_word2 = content_list.find("div", class_="description").get_text() # 去掉文字中的图片描述         content_list = content_list.get_text().replace(pic_word, '').replace(pic_word2, '')        except:         content_list = content_list.get_text().replace(pic_word, '')        except:        try:         pic_word2 = content_list.find("div", class_="description").get_text() # 去掉文字中的图片描述         content_list = content_list.get_text().replace(pic_word2, '')        except:         content_list = content_list.get_text()       r_part = re.compile(r'\[\d.\]|\[\d\]')       part_result, number = re.subn(r_part, "", content_list)       part_result = "".join(part_result.split())       #print(part_result)    except:     final_part_soup = BeautifulSoup(list, "html.parser")     content_lists = final_part_soup.findAll("div", class_="para")     for content_list in content_lists:      try:       pic_word = content_list.find("div", class_="lemma-picture text-pic layout-right").get_text() # 去掉文字中的图片描述       try:        pic_word2 = content_list.find("div", class_="description").get_text() # 去掉文字中的图片描述        content_list = content_list.get_text().replace(pic_word, '').replace(pic_word2, '')       except:        content_list = content_list.get_text().replace(pic_word, '')       except:       try:        pic_word2 = content_list.find("div", class_="description").get_text() # 去掉文字中的图片描述        content_list = content_list.get_text().replace(pic_word2, '')       except:        content_list = content_list.get_text()      r_part = re.compile(r'\[\d.\]|\[\d\]')      part_result, number = re.subn(r_part, "", content_list)      part_result = "".join(part_result.split())      #print(part_result)    except:    print("error")  return  def output(self,filename):  json_data = json.dumps(self.view_datas, ensure_ascii=False, indent=2)  fout = codecs.open(filename+'.json', 'a', encoding='utf-16', )  fout.write( json_data)  # print(json_data)  return  def craw_pic(self,url,filename,html_count):  soup = BeautifulSoup(html_count, 'html.parser', from_encoding='utf_8')  node_pic=soup.find('div',class_='banner').find("a", href=re.compile("/photo/poi/....\."))  if node_pic is None:   return None  else:   part_url_pic=node_pic['href']   full_url_pic=urllib.parse.urljoin(url,part_url_pic)   #print(full_url_pic)  try:   html_pic = urlopen(full_url_pic)  except HTTPError as e:   return None  soup_pic=BeautifulSoup(html_pic.read())  pic_node=soup_pic.find('div',class_="album-list")  print(pic_node)  return if __name__ =="__main__" : spider=BaikeCraw() filename="D:\PyCharm\\view_spider\\view_points_part.txt" spider.craw(filename)

总结

用python3根据关键词爬取百度百科的内容到这就基本结束了，希望这篇文章能对大家学习python有所帮助。