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。