前言
關于python版本，我一開始看很多資料說python2比較好，因為很多庫還不支持3，但是使用到現在為止覺得還是pythin3比較好用，因為編碼什么的問題，覺得2還是沒有3方便。而且在網上找到的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。
這里設定的需求是爬取北京地區n個景點的全部信息，n個景點的名稱是在文件中給出的。沒有用到api，只是單純的爬網頁信息。
1、根據關鍵字獲取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
這里要注意關鍵詞是中午所以要注意編碼問題，由于url中不能出現空格，所以需要用quote函數處理一下。
關于quote():
在 Python2.x 中的用法是:urllib.quote(text) 。Python3.x 中是urllib.parse.quote(text) 。按照標準,URL只允許一部分ASCII 字符(數字字母和部分符號),其他的字符（如漢字)是不符合URL標準的。所以URL中使用其他字符就需要進行URL編碼。URL中傳參數的部分(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，就當然會有問題。所以URL中的參數字符串也需要把『&=』等符號進行編碼。URL編碼的方式是把需要編碼的字符轉化為%xx的形式。通常URL編碼是基于UTF-8的（當然這和瀏覽器平臺有關）
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庫輕松實現，見下面的代碼中def download(self,url)
3、利用Beautifulsoup獲取html
4、數據分析
百科中的內容是并列的段，所以在爬的時候不能自然的按段邏輯存儲（因為全都是并列的）。所以必須用正則的方法。
基本的想法就是把整個html文件看做是str,然后用正則的方法截取想要的內容，在重新把這段內容轉換成beautifulsoup對象，然后在進一步處理。
可能要花些時間看一下正則。
代碼中還有很多細節，忘了再查吧只能，下次絕對應該邊做編寫文檔，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， 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): ##得到數據 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
用python3根據關鍵詞爬取百度百科的內容到這就基本結束了，希望這篇文章能對大家學習python有所幫助。
新聞熱點
疑難解答
圖片精選
