python3 爬虫学习-根据关键词爬取百度百科内容
小白编了好久才写出来，记录一下免得之后再用的时候都忘了还得重新学~
学习爬虫最开始是学习了慕课上的python课程，然后学习了慕课和网易云上的爬虫教程。这两个自己去查一下就好了~
开始还比较费劲，毕竟熟悉需要时间么，而且python也不太熟悉。
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
http://baike.baidu.com/search/word?word="guanjianci"
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
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。
正则的基本知识：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
点击打开链接
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)