python抓取百度百科

python抓取百度百科结构化信息

import pymysql
import re
import requests
from lxml import html
import xlwt,xlrd
def baidubaike(name):
    baseurl='https://baike.baidu.com/item/'
    headers={'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36'}
    url=baseurl+str(name)

    response=requests.get(url,headers=headers)
    print(response.status_code)
    print(response.url)
    text=response.content.decode("utf-8").replace('\n','')
    text = text.replace('</a>', '')
    text=re.sub(r'(<a.*?>)', '', text)
    text = text.replace('<br/>','、')
    text = re.sub(r'(<em.*?>)', '', text)
    text = text.replace('</em>', '、')
    text = re.sub(r'(<sup.*?>)', '', text)
    text = text.replace('</sup>', '、')
    text = text.replace('<i>', '')
    text = text.replace('</i>', '')
    tree=html.fromstring(text)

    result0=tree.xpath('//dt[@class="basicInfo-item name"]/text()')
    result00 = tree.xpath('//dd[@class="basicInfo-item value"]/text()')

    result1=[i.replace('\xa0','') for i in result0]
    result11 = [i.replace('\xa0', '') for i in result00]
    if(len(result1)!=len(result11)):
        print(name,"出现了一个错误")
        pass
    else:
        s={}
        for i in range(len(result1)):
            s[result1[i]]=result11[i]
    return s

aa=baidubaike("刘诗诗")
# print((aa[0]),'\n',aa[1],'\n',aa[2],'\n',aa[3],'\n',aa[4])
print(aa)

python从excel读取数据并将抓取到的数据存入excel

import pymysql
import re
import requests
from lxml import html

import xlwt,xlrd
def baidubaike(name):
    baseurl='https://baike.baidu.com/item/'
    headers={'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36'}
    url=baseurl+str(name)

    response=requests.get(url,headers=headers)
    print(response.status_code)
    print(response.url)
    text=response.content.decode("utf-8").replace('\n','')
    text = text.replace('</a>', '')
    text=re.sub(r'(<a.*?>)', '', text)
    text = text.replace('<br/>','、')
    text = re.sub(r'(<em.*?>)', '', text)
    text = text.replace('</em>', '、')
    text = re.sub(r'(<sup.*?>)', '', text)
    text = text.replace('</sup>', '、')
    text = text.replace('<i>', '')
    text = text.replace('</i>', '')
    tree=html.fromstring(text)

    result0=tree.xpath('//dt[@class="basicInfo-item name"]/text()')
    result00 = tree.xpath('//dd[@class="basicInfo-item value"]/text()')

    result1=[i.replace('\xa0','') for i in result0]
    result11 = [i.replace('\xa0', '') for i in result00]
    if(len(result1)!=len(result11)):
        print(name,"出现了一个错误")
        pass
    else:
        s={}
        for i in range(len(result1)):
            s[result1[i]]=result11[i]
    return s




"""
读取excel表格
"""
readbook = xlrd.open_workbook('C:\\Users\\root\\Desktop\\6.xls')
sheet = readbook.sheet_by_index(0)
data=sheet.col_values(0)
headlist=[]
for i in range(len(data)):
    print(data[i])
    a = baidubaike(data[i]).keys()
    print(a)
    headlist=list(set(headlist+list(a)))
print(headlist)
print(1234)

"""
将数据写入
"""
workbook = xlwt.Workbook(encoding = 'utf-8')
# 第2步:创建一个worksheet
worksheet = workbook.add_sheet('My Worksheet')
# 第3步:写入excel # 参数对应 行, 列, 值
for k in range(len(headlist)):
    worksheet.write(0, k, headlist[k])
for i in range(len(data)):
    aa=baidubaike(data[i])
    bb = list(aa.keys())
    cc= list(aa.values())
    for j in range(len(bb)):
        if(bb[j] in headlist):
            indexkey=headlist.index(bb[j])
            print(indexkey)
            print(headlist[indexkey])
            worksheet.write(i+1,indexkey,aa[headlist[indexkey]])
        else:
            pass
# 第4步:保存(一定记得保存)
workbook.save('C:\\Users\\root\\Desktop\\ls.xls')

2024年1月9日最新更新网页结构解析变更

result0=tree.xpath('//dt[@class="basicInfo-item name"]/text()')
result00 = tree.xpath('//dd[@class="basicInfo-item value"]/text()')
result0=tree.xpath('//dt[@class="basicInfoItem_h36i9 itemName_S6BA4"]/text()')
for p in tree.xpath('//dd[@class="basicInfoItem_h36i9 itemValue_UM0sz"]'):
    p.text="".join(p.xpath(".//text()"))
    for span in p.xpath("./span"):
        p.remove(span)
result00 = tree.xpath('//dd[@class="basicInfoItem_h36i9 itemValue_UM0sz"]/text()')
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,098评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,213评论 2 380
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,960评论 0 336
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,519评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,512评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,533评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,914评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,574评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,804评论 1 296
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,563评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,644评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,350评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,933评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,908评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,146评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,847评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,361评论 2 342

推荐阅读更多精彩内容