教你用python3根據(jù)關(guān)鍵詞爬取百度百科的內(nèi)容

更新時(shí)間：2016年08月18日 16:21:01 投稿：daisy

這篇文章介紹的是利用python3根據(jù)關(guān)鍵詞爬取百度百科的內(nèi)容，注意本文用的是python3版本以及根據(jù)關(guān)鍵詞爬取，爬取也只是單純的爬網(wǎng)頁信息，有需要的可以參考借鑒。

前言

關(guān)于python版本，我一開始看很多資料說python2比較好，因?yàn)楹芏鄮爝€不支持3，但是使用到現(xiàn)在為止覺得還是pythin3比較好用，因?yàn)榫幋a什么的問題，覺得2還是沒有3方便。而且在網(wǎng)上找到的2中的一些資料稍微改一下也還是可以用。

好了，開始說爬百度百科的事。

這里設(shè)定的需求是爬取北京地區(qū)n個(gè)景點(diǎn)的全部信息，n個(gè)景點(diǎn)的名稱是在文件中給出的。沒有用到api，只是單純的爬網(wǎng)頁信息。

1、根據(jù)關(guān)鍵字獲取url

由于只需要爬取信息，而且不涉及交互，可以使用簡單的方法而不需要模擬瀏覽器。

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

這里要注意關(guān)鍵詞是中午所以要注意編碼問題，由于url中不能出現(xiàn)空格，所以需要用quote函數(shù)處理一下。

關(guān)于quote():

在 Python2.x 中的用法是:urllib.quote(text) 。Python3.x 中是urllib.parse.quote(text) 。按照標(biāo)準(zhǔn),URL只允許一部分ASCII 字符(數(shù)字字母和部分符號(hào)),其他的字符（如漢字)是不符合URL標(biāo)準(zhǔn)的。所以URL中使用其他字符就需要進(jìn)行URL編碼。URL中傳參數(shù)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『=』等符號(hào)，就當(dāng)然會(huì)有問題。所以URL中的參數(shù)字符串也需要把『&=』等符號(hào)進(jìn)行編碼。URL編碼的方式是把需要編碼的字符轉(zhuǎn)化為%xx的形式。通常URL編碼是基于UTF-8的（當(dāng)然這和瀏覽器平臺(tái)有關(guān)）

例子：

比如『我，unicode 為 0x6211,UTF-8編碼為0xE60x880x91，URL編碼就是 %E6%88%91。

Python的urllib庫中提供了quote和quote_plus兩種方法。這兩種方法的編碼范圍不同。不過不用深究，這里用quote就夠了。

2、下載url

用urllib庫輕松實(shí)現(xiàn)，見下面的代碼中def download(self,url)

3、利用Beautifulsoup獲取html

4、數(shù)據(jù)分析

百科中的內(nèi)容是并列的段，所以在爬的時(shí)候不能自然的按段邏輯存儲(chǔ)（因?yàn)槿际遣⒘械模?。所以必須用正則的方法。

基本的想法就是把整個(gè)html文件看做是str,然后用正則的方法截取想要的內(nèi)容，在重新把這段內(nèi)容轉(zhuǎn)換成beautifulsoup對(duì)象，然后在進(jìn)一步處理。

可能要花些時(shí)間看一下正則。

代碼中還有很多細(xì)節(jié)，忘了再查吧只能，下次絕對(duì)應(yīng)該邊做編寫文檔，或者做完馬上寫。。。

貼代碼！

# coding:utf-8
'''
 function：爬取百度百科所有北京景點(diǎn)，
 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("文件打開異常！")
   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): ##得到數(shù)據(jù)
  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()#景點(diǎn)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()#簡介
  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")#目錄整體
  get = []
  for line in self.view_datas["catalog"]:
   if line != "":
    get.append(line)
  self.view_datas["catalog"] = get
  #########################百科內(nèi)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:#每一大塊
   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('編輯', '') # 歷史沿革
    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: # 每個(gè)最小段
       try:
        pic_word = content_list.find("div",
                class_="lemma-picture text-pic layout-right").get_text() # 去掉文字中的圖片描述
        try:
         pic_word2 = content_list.find("div", class_="description").get_text() # 去掉文字中的圖片描述
         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() # 去掉文字中的圖片描述
         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() # 去掉文字中的圖片描述
       try:
        pic_word2 = content_list.find("div", class_="description").get_text() # 去掉文字中的圖片描述
        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() # 去掉文字中的圖片描述
        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)

總結(jié)

用python3根據(jù)關(guān)鍵詞爬取百度百科的內(nèi)容到這就基本結(jié)束了，希望這篇文章能對(duì)大家學(xué)習(xí)python有所幫助。

您可能感興趣的文章: