python爬取知乎数据关键字_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

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。

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。