Python爬取百度百科简介以及内链词条简介

注意初始中文词条需要转换(不转换会报错UnicodeEncodeError: 'ascii' codec can't encode characters in position 10-12: ordinal not in range(128)):

       如:爱奇艺--->urllib.parse.quote("爱奇艺")-->%E7%88%B1%E5%A5%87%E8%89%BA

 

程序源码 

from urllib.request import urlopen
import urllib
from bs4 import BeautifulSoup


pages = set()
def getLink(pageurl):
   global pages
   headers = {

   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3100.0 Safari/537.36"

   }
   print('https://baike.baidu.com{}'.format(pageurl))
   html = urlopen(urllib.request.Request('https://baike.baidu.com{}'.format(pageurl), headers=headers))
   bs = BeautifulSoup(html, 'html.parser')
   try:
      print(bs.h1.get_text())
      for text in bs.find('div', {'class': 'lemma-summary'}).find_all('div', {'class': 'para'}):
         print(text.get_text())
      for link in bs.find('div', {'class': 'para'}).find_all('a'):
         if 'href' in link.attrs:
            print(link.attrs['href'])
         else:
              print('-----非链接-----')
              print(link)
              print('-----非链接-----')
   except AttributeError:
      print("yemianqieshaoshuxing")

   for link in bs.find('div', {'class': 'para'}).find_all('a', href=re.compile('^(/item/)')):
      if 'href' in link.attrs:
         if link.attrs['href'] not in pages:
            newpage = link.attrs['href']
            print('-'*20)

            print(newpage)
            pages.add(newpage)
            getLink(newpage)


get_ = '/item/爱奇艺'
print(get_)
getLink(urllib.parse.quote(get_))

 

 

  • 4
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
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