小白編了好久才寫出來，記錄一下免得之後再用的時候都忘了還得重新學~

學習爬蟲最開始是學習了慕課上的python課程，然後學習了慕課和網易雲上的爬蟲教程。這兩個自己去查一下就好了~

開始還比較費勁，畢竟熟悉需要時間麼，而且python也不太熟悉。

關於python版本：我一開始看很多資料說python2比較好，因為很多庫還不支援3，但是使用到現在為止覺得還是pythin3比較好用，因為編碼什麼的問題，覺得2還是沒有3方便。而且在網上找到的2中的一些資料稍微改一下也還是可以用。

好了，開始說爬百度百科的事。

這裡設定的需求是爬取北京地區n個景點的全部資訊，n個景點的名稱是在檔案中給出的。沒有用到api，只是單純的爬網頁資訊。

1、根據關鍵字獲取url

   由於只需要爬取資訊，而且不涉及互動，可以使用簡單的方法而不需要模擬瀏覽器。

可以直接

http://baike.baidu.com/search/word?word="guanjianci"

for l in view_names:
    '''http://baike.baidu.com/search/word?word='''  # 得到url的方法
name=urllib.parse.quote(l)
    name.encode('utf-8')
    url='http://baike.baidu.com/search/word?word='+name

這裡要注意關鍵詞是中午所以要注意編碼問題，由於url中不能出現空格，所以需要用quote函式處理一下。

關於quote():

在 Python2.x 中的用法是:urllib.quote(text)。Python3.x 中是urllib.parse.quote(text)。按照標準,URL只允許一部分ASCII 字元(數字字母和部分符號),其他的字元（如漢字)是不符合URL標準的。所以URL中使用其他字元就需要進行URL編碼。URL中傳引數的部分(query String),格式是：name1=value1&name2=value2&name3=value3。假如你的name或者value值中的『&』或者『=』等符號，就當然會有問題。所以URL中的引數字串也需要把『&=』等符號進行編碼。URL編碼的方式是把需要編碼的字元轉化為%xx的形式。通常URL編碼是基於UTF-8的（當然這和瀏覽器平臺有關）

例子：

比如『我，unicode 為 0x6211,UTF-8編碼為0xE60x880x91，URL編碼就是 %E6%88%91。

Python的urllib庫中提供了quote和quote_plus兩種方法。這兩種方法的編碼範圍不同。不過不用深究，這裡用quote就夠了。

2、下載url

用urllib庫輕鬆實現，見下面的程式碼中def download(self,url)

3、利用Beautifulsoup獲取html

4、資料分析

百科中的內容是並列的段，所以在爬的時候不能自然的按段邏輯儲存（因為全都是並列的）。所以必須用正則的方法。

正則的基本知識：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

基本的想法就是把整個html檔案看做是str,然後用正則的方法擷取想要的內容，在重新把這段內容轉換成beautifulsoup物件，然後在進一步處理。

可能要花些時間看一下正則。

程式碼中還有很多細節，忘了再查吧只能，下次絕對應該邊做編寫文件，或者做完馬上寫。。。

貼程式碼！

# coding:utf-8
'''
   function：爬取百度百科所有北京景點，
   author:yi
'''
import urllib.request
from urllib.request import urlopen
from urllib.error import HTTPError
import urllib.parse
from bs4 import BeautifulSoup
import re
import codecs
import json

class BaikeCraw(object):
    def __init__(self):
        self.urls =set()
        self.view_datas= {}

    def craw(self,filename):
        urls = self.getUrls(filename)
        if urls == None:
            print("not found")
        else:
            for urll in urls:
                print(urll)
                try:
                    html_count=self.download(urll)
                    self.passer(urll, html_count)
                except:
                    print("view do not exist")
                '''file=self.view_datas["view_name"]
                self.craw_pic(urll,file,html_count)
                 print(file)'''


    def getUrls (self, filename):
        new_urls = set()
        file_object = codecs.open(filename, encoding='utf-16', )
        try:
            all_text = file_object.read()
        except:
            print("檔案開啟異常！")
            file_object.close()
        file_object.close()
        view_names=all_text.split(" ")
        for l in view_names:
            if  '' in l:
                view_names.remove(l)
        for l in view_names:
            '''http://baike.baidu.com/search/word?word='''  # 得到url的方法
            name=urllib.parse.quote(l)
            name.encode('utf-8')
            url='http://baike.baidu.com/search/word?word='+name
            new_urls.add(url)
        print(new_urls)
        return new_urls

    def manger(self):
        pass

    def passer(self,urll,html_count):
        soup = BeautifulSoup(html_count, 'html.parser', from_encoding='utf_8')
        self._get_new_data(urll, soup)
        return

    def download(self,url):
        if url is None:
            return None
        response = urllib.request.urlopen(url)
        if response.getcode() != 200:
           return None
        return response.read()

    def _get_new_data(self, url, soup):  ##得到資料
        if soup.find('div',class_="main-content").find('h1') is not None:
            self.view_datas["view_name"]=soup.find('div',class_="main-content").find('h1').get_text()#景點名
            print(self.view_datas["view_name"])
        else:
            self.view_datas["view_name"] = soup.find("div", class_="feature_poster").find("h1").get_text()
        self.view_datas["view_message"] = soup.find('div', class_="lemma-summary").get_text()#簡介
        self.view_datas["basic_message"]=soup.find('div', class_="basic-info cmn-clearfix").get_text() #基本資訊
        self.view_datas["basic_message"]=self.view_datas["basic_message"].split("\n")
        get=[]
        for line in self.view_datas["basic_message"]:
           if line != "":
            get.append(line)
        self.view_datas["basic_message"]=get
        i=1
        get2=[]
        tmp="%%"
        for line in self.view_datas["basic_message"]:

            if i % 2 == 1:
                tmp=line
            else:
                a=tmp+":"+line
                get2.append(a)
            i=i+1
        self.view_datas["basic_message"] = get2
        self.view_datas["catalog"] = soup.find('div', class_="lemma-catalog").get_text().split("\n")#目錄整體
        get = []
        for line in self.view_datas["catalog"]:
            if line != "":
                get.append(line)
        self.view_datas["catalog"] = get
       #########################百科內容
        view_name=self.view_datas["view_name"]
        html = urllib.request.urlopen(url)
        soup2 = BeautifulSoup(html.read(), 'html.parser').decode('utf-8')
        p = re.compile(r'<div class="para-title level-2"', re.DOTALL)
        r = p.search(soup2)
        content_data_node = soup2[r.span(0)[0]:]  # 第一個h2（頭）
        p = p = re.compile(r'<div class="album-list">', re.DOTALL)  # 尾
        r = p.search(content_data_node)
        content_data = content_data_node[0:r.span(0)[0]]
        lists = content_data.split('<div class="para-title level-2">')
        i = 1
        for list in lists:#每一大塊
            final_soup = BeautifulSoup(list, "html.parser")
            name_list = None
            try:
                part_name = final_soup.find('h2', class_="title-text").get_text().replace(view_name, '').strip()
                part_data = final_soup.get_text().replace(view_name, '').replace(part_name, '').replace('編輯', '')  # 歷史沿革
                name_list = final_soup.findAll('h3', class_="title-text")
                all_name_list = {}
                na="part_name"+str(i)
                all_name_list[na] = part_name
                final_name_list = []###########
                for nlist in name_list:
                    nlist = nlist.get_text().replace(view_name, '').strip()
                    final_name_list.append(nlist)
                fin="final_name_list"+str(i)
                all_name_list[fin] = final_name_list
                print(all_name_list)
                i=i+1
                #正文
                try:
                    p = re.compile(r'<div class="para-title level-3">', re.DOTALL)
                    final_soup = final_soup.decode('utf-8')
                    r = p.search(final_soup)
                    final_part_data = final_soup[r.span(0)[0]:]
                    part_lists = final_part_data.split('<div class="para-title level-3">')
                    for part_list in part_lists:
                        final_part_soup = BeautifulSoup(part_list, "html.parser")
                        content_lists = final_part_soup.findAll("div", class_="para")
                        for content_list in content_lists:  # 每個最小段
                            try:
                                pic_word = content_list.find("div",
                                                             class_="lemma-picture text-pic layout-right").get_text()  # 去掉文字中的圖片描述
                                try:
                                    pic_word2 = content_list.find("div", class_="description").get_text()  # 去掉文字中的圖片描述
                                    content_list = content_list.get_text().replace(pic_word, '').replace(pic_word2, '')
                                except:
                                    content_list = content_list.get_text().replace(pic_word, '')

                            except:
                                try:
                                    pic_word2 = content_list.find("div", class_="description").get_text()  # 去掉文字中的圖片描述
                                    content_list = content_list.get_text().replace(pic_word2, '')
                                except:
                                    content_list = content_list.get_text()
                            r_part = re.compile(r'\[\d.\]|\[\d\]')
                            part_result, number = re.subn(r_part, "", content_list)
                            part_result = "".join(part_result.split())
                            #print(part_result)
                except:
                    final_part_soup = BeautifulSoup(list, "html.parser")
                    content_lists = final_part_soup.findAll("div", class_="para")
                    for content_list in content_lists:
                        try:
                            pic_word = content_list.find("div", class_="lemma-picture text-pic layout-right").get_text()  # 去掉文字中的圖片描述
                            try:
                                pic_word2 = content_list.find("div", class_="description").get_text()  # 去掉文字中的圖片描述
                                content_list = content_list.get_text().replace(pic_word, '').replace(pic_word2, '')
                            except:
                                content_list = content_list.get_text().replace(pic_word, '')

                        except:
                            try:
                                pic_word2 = content_list.find("div", class_="description").get_text()  # 去掉文字中的圖片描述
                                content_list = content_list.get_text().replace(pic_word2, '')
                            except:
                                content_list = content_list.get_text()
                        r_part = re.compile(r'\[\d.\]|\[\d\]')
                        part_result, number = re.subn(r_part, "", content_list)
                        part_result = "".join(part_result.split())
                        #print(part_result)

            except:
                print("error")
        return

    def output(self,filename):
        json_data = json.dumps(self.view_datas, ensure_ascii=False, indent=2)
        fout = codecs.open(filename+'.json', 'a', encoding='utf-16', )
        fout.write( json_data)
       # print(json_data)
        return

    def craw_pic(self,url,filename,html_count):
        soup = BeautifulSoup(html_count, 'html.parser', from_encoding='utf_8')
        node_pic=soup.find('div',class_='banner').find("a", href=re.compile("/photo/poi/....\."))
        if node_pic is None:
            return None
        else:
            part_url_pic=node_pic['href']
            full_url_pic=urllib.parse.urljoin(url,part_url_pic)
            #print(full_url_pic)
        try:
            html_pic = urlopen(full_url_pic)
        except HTTPError as e:
            return None
        soup_pic=BeautifulSoup(html_pic.read())
        pic_node=soup_pic.find('div',class_="album-list")
        print(pic_node)
        return

if __name__ =="__main__" :
    spider=BaikeCraw()
    filename="D:\PyCharm\\view_spider\\view_points_part.txt"
    spider.craw(filename)