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(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.request
    from urllib.request import urlopen
    from urllib.error import HTTPError
    import urllib.parse
    from bs4 import BeautifulSoup
    import re
    import codecs
    import 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。