爬虫爬取百度百科数据

陈千鹤 

以前段时间《青春有你2》为例，我们使用Python来爬取百度百科中《青春有你2》所有参赛选手的信息。

什么是爬虫？

为了获取大量的互联网数据，我们自然想到使用爬虫代替我们完成这些重复的工作。

爬虫的过程，就是模仿浏览器的行为，往目标站点发送请求，接收服务器的响应数据，提取需要的信息，并进行保存的过程。

Python为爬虫的实现提供了工具:requests模块、BeautifulSoup库

接下来我们就会使用这些工具来获取我们想要的信息。

任务描述

本次实践使用Python来爬取百度百科中《青春有你2》所有参赛选手的信息。

数据获取： https:// baike.baidu.com/item/ 青春有你第二季

上网的全过程

普通用户:

打开浏览器 --> 往目标站点发送请求 --> 接收响应数据 --> 渲染到页面上。

爬虫程序:

模拟浏览器 --> 往目标站点发送请求 --> 接收响应数据 --> 提取有用的数据 --> 保存到本地/数据库。

爬虫的过程

1.发送请求（requests模块）

2.获取响应数据（服务器返回）

3.解析并提取数据（BeautifulSoup查找或者re正则）

4.保存数据

模块简介

request模块

requests是python实现的简单易用的HTTP库，官网地址： http:// cn.python-requests.org/ zh_CN/latest/

requests.get(url)可以发送一个http get请求，返回服务器响应内容。

BeautifulSoup库

BeautifulSoup 是一个可以从HTML或XML文件中提取数据的Python库。网址： https:// beautifulsoup.readthedocs.io /zh_CN/v4.4.0/

BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml。

BeautifulSoup(markup, "html.parser")或者BeautifulSoup(markup, "lxml")，推荐使用lxml作为解析器,因为效率更高。

第一步

具体来说，这一步是爬取百度百科中《青春有你2》中所有参赛选手信息，返回页面数据

也就是将如图的多有参赛学员信息爬取并返回。

import json
import re
import requests
import datetime
from bs4 import BeautifulSoup
import os
#获取当天的日期,并进行格式化,用于后面文件命名，格式:20200420
today = datetime.date.today().strftime('%Y%m%d')    
def crawl_wiki_data():
    爬取百度百科中《青春有你2》中参赛选手信息，返回html
    headers = { 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
    url='https://baike.baidu.com/item/青春有你第二季'      
    try:
        response = requests.get(url,headers=headers)
        #将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串
        soup = BeautifulSoup(response.text,'lxml')
        #返回的是class为table-view log-set-param的<table>所有标签
        tables = soup.find_all('table',{'class':'table-view log-set-param'})
        crawl_table_title = "参赛学员"
        for table in  tables:           
            #对当前节点前面的标签和字符串进行查找
            table_titles = table.find_previous('div').find_all('h3')
            for title in table_titles:
                if(crawl_table_title in title):
                    return table       
    except Exception as e:
        print(e)

第二步

对爬取的页面数据进行解析，并保存为JSON文件。

那么我们在这一步就可以获得如图所有人的具体信息了~~

def parse_wiki_data(table_html):
    从百度百科返回的html中解析得到选手信息，以当前日期作为文件名，存JSON文件,保存到work目录下
    bs = BeautifulSoup(str(table_html),'lxml')
    all_trs = bs.find_all('tr')
    error_list = ['\'','\"']
    stars = []
    for tr in all_trs[1:]:
         all_tds = tr.find_all('td')
         star = {}
         star["name"]=all_tds[0].text
         #个人百度百科链接
         star["link"]= 'https://baike.baidu.com' + all_tds[0].find('a').get('href')
         star["zone"]=all_tds[1].text
         star["constellation"]=all_tds[2].text
         star["height"]=all_tds[3].text
         star["weight"]= all_tds[4].text
         #花语,去除掉花语中的单引号或双引号
         flower_word = all_tds[5].text
         for c in flower_word:
             if  c in error_list:
                 flower_word=flower_word.replace(c,'')
         star["flower_word"]=flower_word 
         if not all_tds[6].find('a') is  None:
             star["company"]= all_tds[6].find('a').text
         else:
             star["company"]= all_tds[6].text  
         stars.append(star)
    json_data = json.loads(str(stars).replace("\'","\""))   
    with open('work/' + today + '.json', 'w', encoding='UTF-8') as f:
        json.dump(json_data, f, ensure_ascii=False)

第三步

爬取每个选手的图片，并进行保存。

这一步我们就可以获得所有小姐姐的美照了。一共下载482张照片。

具体的思路是从上一步得到的个人信息中进入每个人的百度百科，然后再进入相册，下载照片并保存。

def crawl_pic_urls():
    爬取每个选手的百度百科图片，并保存
    with open('work/'+ today + '.json', 'r', encoding='UTF-8') as file:
         json_array = json.loads(file.read())
headers = { 
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' 
for star in json_array:
    name = star['name']
    link = star['link']
    response = requests.get(link,headers=headers)
    bs = BeautifulSoup(response.text,'lxml')
    pic_list_url = bs.select('.summary-pic a')[0].get('href')
    pic_list_url = 'https://baike.baidu.com' + pic_list_url
    pic_list_response = requests.get(pic_list_url,headers=headers)
    bs = BeautifulSoup(pic_list_response.text,'lxml')
    pic_list_html = bs.select('.pic-list img')
    pic_urls = []
    for pic_html in pic_list_html:
        pic_url = pic_html.get('src')
        pic_urls.append(pic_url)
        #根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中
    down_pic(name,pic_urls)
def down_pic(name,pic_urls):
根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中,
path = 'work/'+'pics/'+name+'/'
if not os.path.exists(path):
  os.makedirs(path)
for i, pic_url in enumerate(pic_urls):
    try:
        pic = requests.get(pic_url, timeout=15)
        string = str(i + 1) + '.jpg'
        with open(path+string, 'wb') as f:
            f.write(pic.content)
            print('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url)))
    except Exception as e:
        print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url)))
        print(e)
        continue

第四步

打印爬取的所有图片的路径

def show_pic_path(path):
    遍历所爬取的每张图片，并打印所有图片的绝对路径
    pic_num = 0
    for (dirpath,dirnames,filenames) in os.walk(path):
        for filename in filenames:
           pic_num += 1
           print("第%d张照片：%s" % (pic_num,os.path.join(dirpath,filename)))           
    print("共爬取《青春有你2》选手的%d照片" % pic_num)

第五步

主程序。

看着满屏的成功和新增的文件夹，成就感油然而生。

if __name__ == '__main__':
     #爬取百度百科中《青春有你2》中参赛选手信息，返回html
     html = crawl_wiki_data()
     #解析html,得到选手信息，保存为json文件
     parse_wiki_data(html)
     #从每个选手的百度百科页面上爬取图片,并保存