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。