python3爬取百度百科

爬取百度百科词条并存入mysql

目标是从一个百度百科链接进去,从当前页面寻找所有内链(跳转到当前网站的其他词条),随机挑选一个进入,并重复上述循环

在每个页面里只爬 h1 标题和下面的一段简介

准备工作:

  1. 数据库需要三个字段,id,标题,内容
  2. 数据库一定要在建立的时候加入 character set utf8 ,不然会引发好多错误

开始爬!!

先找到当前页面的所有内链(找规律),是\item\开头的,所以利用正则表达式刷刷刷,之后利用beatuiful很容易分析到页面的简介部分,存入库就好啦。但是没有加入多线程,速度不是很快。

#-*- coding:utf-8 -*-
'''Zheng 's BUG'''
from bs4 import BeautifulSoup
from urllib.request import urlopen
from urllib.error import  HTTPError
import random
import re
from urllib.parse import quote
import string
import pymysql
baseUrl = "https://baike.baidu.com"
def getLinks(link):
    try:
        link = quote(link, safe= string.printable)                       ##读取中英混编的url
        page = urlopen(baseUrl + link).read().decode("utf-8")
    except HTTPError as e:
        return "https://baike.baidu.com"
    bsObj = BeautifulSoup(page, "html.parser")

    return bsObj.findAll("a", href=re.compile("^(/item/)((?!:).)*$"))  ##内层嵌套找不到???????


def getSum(newPage):
    try:
        newPage = quote(newPage, safe= string.printable)
        newPage = urlopen(baseUrl + newPage).read().decode("utf-8")
    except HTTPError as e:
        return
    bsObj = BeautifulSoup(newPage, "html.parser")
    #print(bsObj.body.h1.get_text())
    title = bsObj.body.h1.get_text()
    content = ""
    if bsObj.find("div", {"class": "lemma-summary"}) is not None:
        for cont in bsObj.find("div", {"class":"lemma-summary"}).findAll("div", {"class":"para"}):
            if cont is not None:
                #print(con.get_text())
                content += cont.get_text()
    store(title, content)

def store(title, content):
    cur.execute("insert into pages (title, summary) values (\"%s\",\"%s\")", (title, content))
    cur.connection.commit()


link = getLinks("/item/%E7%99%BE%E5%BA%A6%E7%99%BE%E7%A7%91/85895?fr=aladdin")
conn = pymysql.connect(host='127.0.0.1', port=3306,
                       user='root', passwd='password', db='mysql', charset="utf8")
cur = conn.cursor()
cur.execute("use baidu")
while(len(link) > 0):
    newPage = link[random.randint(0, len(link)-1)].attrs['href']
    print(newPage)
    getSum(newPage)
    link = getLinks(newPage)
cur.close()
conn.close()
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值