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
for l in view_names:
'''baike.baidu/search/word?word=''' # 得到url的⽅法
name=urllib.parse.quote(l)
url='baike.baidu/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
'''
quest
quest import urlopen
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 = Urls(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"]
print(file)'''
def getUrls (self, filename):
new_urls = set()
file_object = codecs.open(filename, encoding='utf-16', )
all_text = ad()
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:
ve(l)
for l in view_names:
'''baike.baidu/search/word?word=''' # 得到url的⽅法
name=urllib.parse.quote(l)
url='baike.baidu/search/word?word='+namebasic是什么牌子
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 = quest.urlopen(url)
de() != 200:
return None
ad()
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 = quest.urlopen(url)
soup2 = ad(), 'html.parser').decode('utf-8')
p = repile(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 = _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 = _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 = repile(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",
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
计算机考试一级BASIC模拟题及答案解析195
« 上一篇
料件基本资料之规划
下一篇 »
发表评论