简单爬虫通用模板爬取百度百科的简介和属性信息

#coding=utf8


from bs4 import BeautifulSoup
import requests

#下载网页内容
def html_download(url):
        if url is None:
            return None
        try:
#        r = requests.get(url, timeout=30)headers=headers
#        return r.status_code
        #timeout表示如果30s没有返回,就抛出一个规定时间未返回异常
            headers = {'User-Agent':'Mozilla/5.0'}
#            r = requests.request('get', url, headers=headers, timeout=30) 
            
            r = requests.get(url, headers=headers, timeout=30)
            r.raise_for_status()#如果状态不是200,引发HTTPError异常
            r.encoding = 'utf-8' #apparent_encoding
            
            return r.text
        #网络连接有风险,抛出错误异常
        except:
            return "--获取页面异常--"

#根据关键词定位到词条的链接
def search(keyword):
    url = 'https://baike.baidu.com/search?word=' + keyword + '&pn=0&rn=10&enc=utf8'
    soup = BeautifulSoup(html_download(url), 'html.parser')
    #返回第一个结果,有待验证
    first = soup.find('a', class_='result-title')
    return first['href']

#返回content内容
def return_content(responds):
    content = []
    soup = BeautifulSoup(responds, 'html.parser')
    #find_data包含content中多个字段信息
    find_data = soup.find('div', class_='lemma-summary')
    #解析find_data
    paragraphs = find_data.find_all('div', class_='para')
    for paragraph in paragraphs:
        content.append(paragraph.get_text())
    
    return content
#返回百科属性介绍
def return_introduce(responds):
    introduce = {}
    soup = BeautifulSoup(responds, 'html.parser')
    #find_data包含introduce中多个字段信息
    find_data = soup.find('div', class_='basic-info cmn-clearfix')
    #解析find_data
    dts = find_data.find_all('dt', class_='basicInfo-item name')
    dds = find_data.find_all('dd', class_='basicInfo-item value')
    if len(dts) == len(dds):
        for dt, dd in zip(dts, dds):
            introduce[dt.get_text()] = dd.get_text()
    else:
        print("介绍数据名称和个数不对应!")
        
    return introduce


if __name__=="__main__":
    
    keyword = '班布里奇号巡洋舰'
    first_href = search(keyword)
    responds = html_download(first_href)
    
    print(return_content(responds))
    print(return_introduce(responds))

如果大家发现错误或者有问题可以评论,我会一段时间统一回复大家的问题,欢迎一起交流

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    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
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