python爬取 百度百科

Python爬取百度百科通常是通过网络抓取库如`requests`来获取网页内容，然后使用`BeautifulSoup`或`lxml`等解析工具解析HTML结构，提取所需的信息。以下是一个简单的步骤概述：

1. **安装必要的库**：首先需要安装`requests`, `beautifulsoup4`（或`lxml`），可以使用pip命令：

   pip install requests beautifulsoup4

2. **发送HTTP请求**：使用`requests.get()`函数向百度百科URL发送GET请求，并获取响应内容。

3. **解析HTML**：将获取的网页源码传递给`BeautifulSoup`或`lxml`，创建一个文档对象树（DOM），便于查找元素。

4. **定位目标信息**：通过CSS选择器或XPath表达式找到包含你需要数据的部分。

5. **提取数据**：利用`find_all()`, `select()`或其他相应方法，提取需要的数据，通常存储到列表、字典或其他数据结构中。

6. **处理和保存数据**：对提取的数据进行清洗和整理，然后存入CSV文件、数据库或JSON文件等。

下面是一个简化的示例代码片段：

import requests
from bs4 import BeautifulSoup

def fetch_baike(keyword):
    url = f"https://baike.baidu.com/item/{keyword}"
    response = requests.get(url)
    soup = BeautifulSoup(response.text, "html.parser")
    
    # 示例：假设我们想要标题和摘要
    titles = [title.text for title in soup.select(".lemmaWgtitle")]
    summaries = [summary.text for summary in soup.select(".lemmaDesc")]

    return titles, summaries

# 使用关键词查询并打印结果
titles, summaries = fetch_baike("Python语言")
for i in range(min(len(titles), len(summaries))):
    print(f"标题：{titles[i]} \n摘要：{summaries[i]}\n")