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
標題位於類lemmaWgt-lemmaTitle-title下的h1子標簽，簡介位於類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 = 'http://baike.baidu.com/view/21087.htm'
    obj_spider = SpiderMain()
    obj_spider.craw(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 url is None:
            return
        if url not in self.new_urls and url not in self.old_urls:
            self.new_urls.add(url)

    def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        for url in 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

html_downloader.py

# coding:utf-8
import urllib.request

class HtmlDownloader(object):
    def download(self, url):
        if url is None:
            return None
        response = urllib.request.urlopen(url)
        if response.getcode() != 200:
            return None
        return response.read()

html_parser.py

# coding:utf-8
from bs4 import BeautifulSoup
import re
from urllib.parse import 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 link in 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>
        title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')
        res_data['title'] = title_node.get_text()
        # <div class="lemma-summary" label-module="lemmaSummary">
        summary_node = 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_url is None or html_cont is 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

html_outputer.py

# coding:utf-8
class HtmlOutputer(object):
    def __init__(self):
        self.datas = []

    def collect_data(self, data):
        if data is 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 data in 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()

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

源碼分享

https://github.com/voidking/baike-spider

書簽

Python開發簡單爬蟲
http://www.imooc.com/learn/563

The Python Standard Library
https://docs.python.org/3/library/index.html

Beautiful Soup 4.2.0 文檔
https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

Python詞條
http://baike.baidu.com/view/21087.htm
http://baike.baidu.com/item/Python

Python3.x爬蟲教程：爬網頁、爬圖片、自動登錄
http://www.2cto.com/kf/201507/417660.html

使用python3進行優雅的爬蟲（一）爬取圖片
http://www.jianshu.com/p/696922f268df

Python UnicodeEncodeError: 'gbk' codec can't encode character 解決方法
http://www.jb51.net/article/64816.htm

Scrapy documentation
https://doc.scrapy.org/en/latest/