教你用python3根据关键词爬取百度百科的内容
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(queryString),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defdownload(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
'''
importurllib.request
fromurllib.requestimporturlopen
fromurllib.errorimportHTTPError
importurllib.parse
frombs4importBeautifulSoup
importre
importcodecs
importjson
classBaikeCraw(object):
def__init__(self):
self.urls=set()
self.view_datas={}
defcraw(self,filename):
urls=self.getUrls(filename)
ifurls==None:
print("notfound")
else:
forurllinurls:
print(urll)
try:
html_count=self.download(urll)
self.passer(urll,html_count)
except:
print("viewdonotexist")
'''file=self.view_datas["view_name"]
self.craw_pic(urll,file,html_count)
print(file)'''
defgetUrls(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("")
forlinview_names:
if'?'inl:
view_names.remove(l)
forlinview_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)
returnnew_urls
defmanger(self):
pass
defpasser(self,urll,html_count):
soup=BeautifulSoup(html_count,'html.parser',from_encoding='utf_8')
self._get_new_data(urll,soup)
return
defdownload(self,url):
ifurlisNone:
returnNone
response=urllib.request.urlopen(url)
ifresponse.getcode()!=200:
returnNone
returnresponse.read()
def_get_new_data(self,url,soup):##得到数据
ifsoup.find('div',class_="main-content").find('h1')isnotNone:
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-infocmn-clearfix").get_text()#基本信息
self.view_datas["basic_message"]=self.view_datas["basic_message"].split("\n")
get=[]
forlineinself.view_datas["basic_message"]:
ifline!="":
get.append(line)
self.view_datas["basic_message"]=get
i=1
get2=[]
tmp="%%"
forlineinself.view_datas["basic_message"]:
ifi%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=[]
forlineinself.view_datas["catalog"]:
ifline!="":
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
forlistinlists:#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=[]###########
fornlistinname_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('')
forpart_listinpart_lists:
final_part_soup=BeautifulSoup(part_list,"html.parser")
content_lists=final_part_soup.findAll("div",class_="para")
forcontent_listincontent_lists:#每个最小段
try:
pic_word=content_list.find("div",
class_="lemma-picturetext-piclayout-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")
forcontent_listincontent_lists:
try:
pic_word=content_list.find("div",class_="lemma-picturetext-piclayout-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
defoutput(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
defcraw_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/....\."))
ifnode_picisNone:
returnNone
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)
exceptHTTPErrorase:
returnNone
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。