yh9516 / BaiDuBaiKeSpider

百度百科爬虫

BaiDuBaiKeSpider（Python2.7）

百度百科页面爬虫

使用方法

1.命令行

cd baike_spider
python spider_main.py

2.PyCharm

Open baike_spider
Run  'spider_main'

我遇到的问题

1.地址问题

之前的地址https://baike.baidu.com/view/10812319.htm 现在的地址https://baike.baidu.com/item/python/407313

修改html_parser.py中的

links = soup.find_all('a', href=re.compile(r"/view/\d+\.htm"))

改为

links = soup.find_all('a', href=re.compile(r"/item/*"))

2.https问题

在spider_main中加上import ssl

3.卡住不走，爬取几条就不动了

修改html_downloader.py,不明白的可以看我的代码https://gist.github.com/lzcdev/e215870dd3430eb184beb5015f0b319d

 try:
            response = urllib2.urlopen(url, timeout=10)
            if response.getcode() != 200:
                print 'false'
                return None
            print 'success'
        except:
            print 'timeout'
        return response.read()

4. output.html一片空白

可以尝试删掉output.html文件重新运行（前提是程序可以正常运行），可以把1000改少一点查看效果

其他问题（继续补充 ）

架构

调度器->URL管理器->网页下载器->网页解析器->数据

用到的知识点

• set(),可选方案（MySQL, redis）
• urllib2
• BeautifulSoup，可选方案（正则表达式，html.parser,lxml)

联系我

QQ群：455285463 QQ：1185907688 微信：chaochao625121

---

如果对你有所帮助，欢迎star