比较全面的百度百科爬虫

课题需要,写了一个百度百科的爬虫,暂时不能全面获取页面的内容,但是相比网上的大部分爬虫已经比较全面了,以“尼米兹级航空母舰”为例,可以获取的内容包含以下几个部分:
在这里插入图片描述
在这里插入图片描述
用红色方框框出来的部分,包括:词条名称、描述、基本信息、第二级标题、正文描述。
本人的爬虫使用beautifulsoup4解析网页,一共分为三步

  1. 下载页面,伪造header,通过Py自带的request工具打开网页,设置10秒超时;
  2. 搜索关键词,关键词一般是中文,放到url中需要用Py自带的quote工具编码,默认第一条结果就是目标词条,根据标签<a class=result-title href=…>获取到词条的链接。
  3. 获取词条内容,根据html标签逐一读取内容,将需要的信息存储到list中,
  • 4
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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