Python抓取百度百科數據
前言
本文整理自慕課網 《Python開發簡單爬蟲》 ，將會記錄爬取百度百科“python”詞條相關頁面的整個過程。
抓取策略
確定目標：確定抓取哪個網站的哪些頁面的哪部分數據。本實例抓取百度百科python詞條頁面以及python相關詞條頁面的標題和簡介。
分析目標：分析要抓取的url的格式，限定抓取范圍。分析要抓取的數據的格式，本實例中就要分析標題和簡介這兩個數據所在的標簽的格式。分析要抓取的頁面編碼的格式，在網頁解析器部分，要指定網頁編碼，然后才能進行正確的解析。
編寫代碼：在網頁解析器部分，要使用到分析目標得到的結果。
執行爬蟲：進行數據抓取。
分析目標
1、url格式
進入百度百科python詞條頁面，頁面中相關詞條的鏈接比較統一，大都是 /view/xxx.htm 。
2、數據格式
標題位于類lemmaWgt-lemmaTitle-title下的h1子標簽，簡介位于類lemma-summary下。
3、編碼格式
查看頁面編碼格式，為utf-8。
經過以上分析，得到結果如下：
代碼編寫
項目結構
在sublime下，新建文件夾baike-spider，作為項目根目錄。
新建spider_main.py，作為爬蟲總調度程序。
新建url_manger.py，作為url管理器。
新建html_downloader.py，作為html下載器。
新建html_parser.py，作為html解析器。
新建html_outputer.py，作為寫出數據的工具。
最終項目結構如下圖：
spider_main.py
coding:utf-8
import url_manager, html_downloader, html_parser, html_outputer class SpiderMain(object): def init(self): self.urls = url_manager.UrlManager() self.downloader = html_downloader.HtmlDownloader() self.parser = html_parser.HtmlParser() self.outputer = html_outputer.HtmlOutputer() def craw(self, root_url): count = 1 self.urls.add_new_url(root_url) while self.urls.has_new_url(): try: new_url = self.urls.get_new_url() print('craw %d : %s' % (count, new_url)) html_cont = self.downloader.download(new_url) new_urls, new_data = self.parser.parse(new_url, html_cont) self.urls.add_new_urls(new_urls) self.outputer.collect_data(new_data) if count == 10: break count = count + 1 except: print('craw failed') self.outputer.output_html() if name=='main': root_url = 'url_manger.py
coding:utf-8
class UrlManager(object): def init(self): self.new_urls = set() self.old_urls = set() def add_new_url(self, url): if urlis None: return if urlnot in self.new_urlsand urlnot in self.old_urls: self.new_urls.add(url) def add_new_urls(self, urls): if urlsis None or len(urls) == 0: return for urlin urls: self.add_new_url(url) def has_new_url(self): return len(self.new_urls) != 0 def get_new_url(self): new_url = self.new_urls.pop() self.old_urls.add(new_url) return new_url </pre>
html_downloader.py
coding:utf-8
import urllib.request class HtmlDownloader(object): def download(self, url): if urlis None: return None response = urllib.request.urlopen(url) if response.getcode() != 200: return None return response.read() </pre>
html_parser.py
coding:utf-8
from bs4import BeautifulSoup import re from urllib.parseimport urljoin class HtmlParser(object): def _get_new_urls(self, page_url, soup): new_urls = set() # /view/123.htm links = soup.find_all('a', href=re.compile(r'/view/\d+.htm')) for linkin links: new_url = link['href'] new_full_url = urljoin(page_url, new_url) # print(new_full_url) new_urls.add(new_full_url) #print(new_urls) return new_urls def _get_new_data(self, page_url, soup): res_data = {} # url res_data['url'] = page_url # <dd class="lemmaWgt-lemmaTitle-title"> <h1>Python</h1> titlenode = soup.find('dd', class='lemmaWgt-lemmaTitle-title').find('h1') res_data['title'] = title_node.get_text() # <div class="lemma-summary" label-module="lemmaSummary"> summarynode = soup.find('div', class='lemma-summary') res_data['summary'] = summary_node.get_text() # print(res_data) return res_data def parse(self, page_url, html_cont): if page_urlis None or html_contis None: return soup = BeautifulSoup(html_cont, 'html.parser') # print(soup.prettify()) new_urls = self._get_new_urls(page_url, soup) new_data = self._get_new_data(page_url, soup) # print('mark') return new_urls, new_data </pre>
html_outputer.py
coding:utf-8
class HtmlOutputer(object): def init(self): self.datas = [] def collect_data(self, data): if datais None: return self.datas.append(data) def output_html(self): fout = open('output.html','w', encoding='utf-8') fout.write('<html>') fout.write('<body>') fout.write('<table>') for datain self.datas: fout.write('<tr>') fout.write('<td>%s</td>' % data['url']) fout.write('<td>%s</td>' % data['title']) fout.write('<td>%s</td>' % data['summary']) fout.write('</tr>') fout.write('</table>') fout.write('</body>') fout.write('</html>') fout.close() </pre>
運行
在命令行下，執行 python spider_main.py 。
編碼問題
問題描述：UnicodeEncodeError: ‘gbk’ codec can’t encode character ‘xa0’ in position …
使用Python寫文件的時候，或者將網絡數據流寫入到本地文件的時候，大部分情況下會遇到這個問題。網絡上有很多類似的文章講述如何解決這個問題，但是無非就是encode，decode相關的，這是導致該問題出現的真正原因嗎？不是的。很多時候，我們使用了decode和encode，試遍了各種編碼，utf8，utf-8，gbk，gb2312等等，該有的編碼都試遍了，可是仍然出現該錯誤，令人崩潰。
在windows下面編寫python腳本，編碼問題很嚴重。將網絡數據流寫入文件時，我們會遇到幾個編碼：
1、#encoding=’XXX’
這里(也就是python文件第一行的內容)的編碼是指該python腳本文件本身的編碼，無關緊要。只要XXX和文件本身的編碼相同就行了。
比如notepad++”格式”菜單里面里可以設置各種編碼，這時需要保證該菜單里設置的編碼和encoding XXX相同就行了，不同的話會報錯。
2、網絡數據流的編碼
比如獲取網頁，那么網絡數據流的編碼就是網頁的編碼。需要使用decode解碼成unicode編碼。
3、目標文件的編碼
將網絡數據流寫入到新文件，寫文件代碼如下：
fout = open('output.html','w') fout.write(str)在windows下面，新文件的默認編碼是gbk，python解釋器會用gbk編碼去解析我們的網絡數據流str，然而str是decode過的unicode編碼，這樣的話就會導致解析不了，出現上述問題。 解決的辦法是改變目標文件的編碼：
fout = open('output.html','w', encoding='utf-8')運行結果
來自：http://python.jobbole.com/87320/
