? ? ? ? 文章主要講述如何通過Python爬取維基百科的消息盒(Infobox)，主要是通過正則表達式和urllib實現；后面的文章可能會講述通過BeautifulSoup實現爬取網頁知識。由于這方面的文章還是較少，希望提供一些思想和方法對大家有所幫助。如果有錯誤或不足之處，歡迎之處；如果你只想知道該篇文章最終代碼，建議直接閱讀第5部分及運行截圖。

一. 維基百科和Infobox

? ? ? ? 你可能會疑惑Infobox究竟是個什么東西呢？下面簡單介紹。
? ? ? ??維基百科作為目前規模最大和增長最快的開放式的在線百科系統,其典型包括兩個網狀結構:文章網絡和分類樹(以樹為主體的圖)。該篇博客主要是對維基百科“程序語言”結構進行分析，下載網頁后提取相關消息盒(Infobox)中屬性和對應的值。
? ? ? ? Infobox是模板(一系列的信息框)，通常是成對的標簽label和數據data組成。參考：http://zh.wikipedia.org/wiki/Template:Infobox
? ? ? ? 下圖是維基百科“世界政區索引”中“中國”的部分Infobox信息和“程序設計語言列表”的“ACL2”語言的消息盒。

??

二. 爬蟲實現

? ? ? ? 1. python下載html網頁

? ? ? ? 首先需要訪問維基百科的“程序設計語言列表”，并簡單講述如何下載靜態網頁的代碼。在維基百科中輸入如下URL可以獲取所有程序語言列表：
? ? ? ? http://zh.wikipedia.org/wiki/程序設計語言列表 ? ? ? ? 你可以看到從A到Z的各種程序語言，如A# .NET、ActionScript、C++、易語言等，當然可能其中很多語言都沒有完善或沒有消息盒Infobox。同樣如果你想查詢世界各個國家的信息，輸入URL如下：
? ? ? ??http://zh.wikipedia.org/wiki/世界政區索引
? ? ? ? 通過如下代碼可以獲取靜態的html頁面：
# coding=utf-8 import urllib import time import re#第一步 獲取維基百科內容 #http://zh.wikipedia.org/wiki/程序設計語言列表 keyname="程序設計語言列表" temp='http://zh.wikipedia.org/wiki/'+str(keyname) content = urllib.urlopen(temp).read() open('wikipedia.html','w+').write(content) print 'Start Crawling pages!!!'? ? ? ? 獲取的本地wikipedia.html界面如下圖所示：

? ? ? ? 2. 正則表達式獲取URL超鏈接

? ? ? ? 現在需要通過Python正則表達式獲取所有語言的超鏈接URL。
? ? ? ? 網頁中創建超鏈接需要使用A標記符,結束標記符為</A>.它的最基本屬性是href,用于指定超鏈接的目標,通過href屬性指定不同的值,可以創建不同類型的超鏈接.
href = '<p><a href="www.csdn.cn" title="csdn">CSDN</a></p>' link = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", href) print link? ? ? ? 上面是獲取網頁URL的正則表達式代碼，輸出結果是：['www.csdn.cn']。
? ? ? ? 但是獲取“程序設計語言列表”中所有語言時，我是通過人工確定起始位置“0-9”和結束位置“參看”進行查找的，代碼如下： # coding=utf-8 import urllib import time import re#第一步 獲取維基百科內容 #http://zh.wikipedia.org/wiki/程序設計語言列表 keyname="程序設計語言列表" temp='http://zh.wikipedia.org/wiki/'+str(keyname) content = urllib.urlopen(temp).read() open('wikipedia.html','w+').write(content) print 'Start Crawling pages!!!'#第二步 獲取網頁中的所有URL #從原文中"0-9"到"參看"之間是A-Z各個語言的URL start=content.find(r'0-9') end=content.find(r'參看') cutcontent=content[start:end] link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", cutcontent) fileurl=open('test.txt','w') for url in link_list:print url? ? ? ? 輸出的結果HTML源碼主要包括以下幾種形式：
<a href="#A">A</a> <a href="/wiki/C%EF%BC%83" title="C＃" class="mw-redirect">C#</a> <a href="/w/index.php?title=..." class="new" title="A Sharp (.NET)（頁面不存在）">A# .NET</a> 輸出： #A /wiki/C%EF%BC%83 /w/index.php?title=A%2B%2B&amp;action=edit&amp;redlink=1. ? ? ? ? 此時獲取了href中URL，很顯然“http://zh.wikipedia.org”加上獲取的后綴就是具體的一門語言信息，如： ? ? ? ??http://zh.wikipedia.org/wiki/C# ? ? ? ??http://zh.wikipedia.org/wiki/A_Sharp_(.NET)? ?? ? ? 它會轉換成C%EF%..等形式。而index.php?此種形式表示該頁面維基百科未完善，相應的Infobox消息盒也是不存在的。下面就是去到每一個具體的URL獲取里面的title信息，同時下載相應的靜態URL。

? ? ? ? 3. 獲取程序語言title信息及下載html

? ? ? ? 首先通過拼接成完整的URL，在通過open函數下載對應的程序語言html源碼至language文件夾下；再通過正則表達式r'(?<=<title>).*?(?=</title>)'可以獲取網頁的title信息。代碼如下：# coding=utf-8 import urllib import time import re#第一步 獲取維基百科內容 #http://zh.wikipedia.org/wiki/程序設計語言列表 keyname="程序設計語言列表" temp='http://zh.wikipedia.org/wiki/'+str(keyname) content = urllib.urlopen(temp).read() open('wikipedia.html','w+').write(content) print 'Start Crawling pages!!!'#第二步 獲取網頁中的所有URL #從原文中"0-9"到"參看"之間是A-Z各個語言的URL start=content.find(r'0-9') end=content.find(r'參看') cutcontent=content[start:end] link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", cutcontent) fileurl=open('test.txt','w') for url in link_list:#字符串包含wiki或/w/index.php則正確url 否則A-Zif url.find('wiki')>=0 or url.find('index.php')>=0: fileurl.write(url+'\n')#print urlnum=num+1 fileurl.close() print 'URL Successed! ',num,' urls.'#第三步 下載每個程序URL靜態文件并獲取Infobox對應table信息 #國家：http://zh.wikipedia.org/wiki/阿布哈茲 #語言：http://zh.wikipedia.org/wiki/ActionScript info=open('infobox.txt','w') info.write('****************獲取程序語言信息*************\n\n') j=1 for url in link_list:if url.find('wiki')>=0 or url.find('index.php')>=0:#下載靜態htmlwikiurl='http://zh.wikipedia.org'+str(url)print wikiurllanguage = urllib.urlopen(wikiurl).read()name=str(j)+' language.html'#注意 需要創建一個country的文件夾 否則總報錯No such file or directoryopen(r'language/'+name,'w+').write(language) #寫方式打開+沒有即創建#獲取title信息title_pat=r'(?<=<title>).*?(?=</title>)'title_ex=re.compile(title_pat,re.M|re.S)title_obj=re.search(title_ex, language) #language對應當前語言HTML所有內容title=title_obj.group()#獲取內容'C語言 - 維基百科，自由的百科全書' 僅獲取語言名middle=title.find(r'-')info.write('【程序語言 '+title[:middle]+'】\n')print title[:middle]#設置下載數量j=j+1time.sleep(1)if j==20:break;else:print 'Error url!!!' else:print 'Download over!!!'? ? ? ? 輸出結果如下圖所示，其中獲取20個程序語言URL的標題輸入infobox.txt如下：
? ? ? ? 然后是獲取每門語言HTML下載至本地的language文件夾下，需要自己創建一個文件夾。其中一門語言代碼如下，標題就是下圖左上方的ACL2：

? ? ? ? 4. 爬取class=Infobox的table信息

? ? ? ? 獲取Infobox的table信息，通過分析源代碼發現“程序設計語言列表”的消息盒如下：
? ? ? ? <table class="infobox vevent" ..><tr><th></th><td></td></tr></table>
? ? ? ? 而“世界政區索引”的消息盒形式如下：
? ? ? ??<table class="infobox"><tr><td></td></tr></table>
? ? ? ? 具體的代碼如下所示： # coding=utf-8 import urllib import time import re#第一步 獲取維基百科內容 #http://zh.wikipedia.org/wiki/程序設計語言列表 keyname="程序設計語言列表" temp='http://zh.wikipedia.org/wiki/'+str(keyname) content = urllib.urlopen(temp).read() open('wikipedia.html','w+').write(content) print 'Start Crawling pages!!!'#第二步 獲取網頁中的所有URL #從原文中"0-9"到"參看"之間是A-Z各個語言的URL start=content.find(r'0-9') end=content.find(r'參看') cutcontent=content[start:end] link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", cutcontent) fileurl=open('test.txt','w') for url in link_list:#字符串包含wiki或/w/index.php則正確url 否則A-Zif url.find('wiki')>=0 or url.find('index.php')>=0: fileurl.write(url+'\n')#print urlnum=num+1 fileurl.close() print 'URL Successed! ',num,' urls.'#第三步 下載每個程序URL靜態文件并獲取Infobox對應table信息 #國家：http://zh.wikipedia.org/wiki/阿布哈茲 #語言：http://zh.wikipedia.org/wiki/ActionScript info=open('infobox.txt','w') info.write('****************獲取程序語言信息*************\n\n') j=1 for url in link_list:if url.find('wiki')>=0 or url.find('index.php')>=0:#下載靜態htmlwikiurl='http://zh.wikipedia.org'+str(url)print wikiurllanguage = urllib.urlopen(wikiurl).read()name=str(j)+' language.html'#注意 需要創建一個country的文件夾 否則總報錯No such file or directoryopen(r'language/'+name,'w+').write(language) #寫方式打開+沒有即創建#獲取title信息title_pat=r'(?<=<title>).*?(?=</title>)'title_ex=re.compile(title_pat,re.M|re.S)title_obj=re.search(title_ex, language) #language對應當前語言HTML所有內容title=title_obj.group()#獲取內容'C語言 - 維基百科，自由的百科全書' 僅獲取語言名middle=title.find(r'-')info.write('【程序語言 '+title[:middle]+'】\n')print title[:middle]#第四步 獲取Infobox的內容#標準方法是通過<table>匹配</table>確認其內容，找與它最近的一個結束符號#但此處分析源碼后取巧<p><b>實現start=language.find(r'<table class="infobox vevent"') #起點記錄查詢位置end=language.find(r'<p><b>'+title[:middle-1]) #減去1個空格infobox=language[start:end]print infobox#設置下載數量j=j+1time.sleep(1)if j==20:break;else:print 'Error url!!!' else:print 'Download over!!!'? ? ? ? “print infobox”輸出其中一門語言ActionScript的InfoBox消息盒部分源代碼如下： <table class="infobox vevent" cellspacing="3" style="border-spacing:3px;width:22em;text-align:left;font-size:small;line-height:1.5em;"> <caption class="summary"><b>ActionScript</b></caption> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">發行時間</th> <td style=";;">1998年</td> </tr> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">實現者</th> <td class="organiser" style=";;"><a href="/wiki/Adobe_Systems" title="Adobe Systems">Adobe Systems</a></td> </tr> <tr> <tr> <th scope="row" style="text-align:left;white-space:nowrap;;;">啟發語言</th> <td style=";;"><a href="/wiki/JavaScript" title="JavaScript">JavaScript</a>、<a href="/wiki/Java" title="Java">Java</a></td> </tr> </table>

? ? ? ? 5. 爬取消息盒屬性-屬性值

? ? ? ? 爬取格式如下：
? ? ? ? <table>
? ? ? ? ? ? ? ? <tr>
? ? ? ? ? ? ? ? ? ? ? <th>屬性</th>
? ? ? ? ? ? ? ? ? ? ? <td></td>
? ? ? ? ? ? ? ? </tr>
? ? ? ? </table>
? ? ? ? 其中th表示加粗處理，td和th中可能存在屬性如title、id、type等值；同時<td></td>之間的內容可能存在<a href=..></a>或<span></span>或<br />等值，都需要處理。下面先講解正則表達式獲取td值的例子：
? ? ? ? 參考：http://bbs.csdn.net/topics/390353859?page=1
<table> <tr> <td>序列號</td><td>DEIN3-39CD3-2093J3</td> <td>日期</td><td>2013年1月22日</td> <td>售價</td><td>392.70 元</td> <td>說明</td><td>僅限5用戶使用</td> </tr> </table>? ? ? ? Python代碼如下：
s = '''<table> .... </table>''' #對應上面HTML res = r'<td>(.*?)</td><td>(.*?)</td>' m = re.findall(res,s,re.S|re.M) for line in m:print unicode(line[0],'utf-8'),unicode(line[1],'utf-8') #unicode防止亂碼#輸出結果如下： #序列號 DEIN3-39CD3-2093J3 #日期 2013年1月22日 #售價 392.70 元 #說明 僅限5用戶使用 ? ? ? ? 如果<td id="">包含該屬性則正則表達式為r'<td id=.*?>(.*?)</td>'；同樣如果不一定是id屬性開頭，則可以使用正則表達式r'<td .*?>(.*?)</td>'。
? ? ? ? 最終代碼如下：
# coding=utf-8 import urllib import time import re#第一步 獲取維基百科內容 #http://zh.wikipedia.org/wiki/程序設計語言列表 keyname="程序設計語言列表" temp='http://zh.wikipedia.org/wiki/'+str(keyname) content = urllib.urlopen(temp).read() open('wikipedia.html','w+').write(content) print 'Start Crawling pages!!!'#第二步 獲取網頁中的所有URL #從原文中"0-9"到"參看"之間是A-Z各個語言的URL start=content.find(r'0-9') end=content.find(r'參看') cutcontent=content[start:end] link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", cutcontent) fileurl=open('test.txt','w') for url in link_list:#字符串包含wiki或/w/index.php則正確url 否則A-Zif url.find('wiki')>=0 or url.find('index.php')>=0: fileurl.write(url+'\n')#print urlnum=num+1 fileurl.close() print 'URL Successed! ',num,' urls.'#第三步 下載每個程序URL靜態文件并獲取Infobox對應table信息 #國家：http://zh.wikipedia.org/wiki/阿布哈茲 #語言：http://zh.wikipedia.org/wiki/ActionScript info=open('infobox.txt','w') info.write('****************獲取程序語言信息*************\n\n') j=1 for url in link_list:if url.find('wiki')>=0 or url.find('index.php')>=0:#下載靜態htmlwikiurl='http://zh.wikipedia.org'+str(url)print wikiurllanguage = urllib.urlopen(wikiurl).read()name=str(j)+' language.html'#注意 需要創建一個country的文件夾 否則總報錯No such file or directoryopen(r'language/'+name,'w+').write(language) #寫方式打開+沒有即創建#獲取title信息title_pat=r'(?<=<title>).*?(?=</title>)'title_ex=re.compile(title_pat,re.M|re.S)title_obj=re.search(title_ex, language) #language對應當前語言HTML所有內容title=title_obj.group()#獲取內容'C語言 - 維基百科，自由的百科全書' 僅獲取語言名middle=title.find(r'-')info.write('【程序語言 '+title[:middle]+'】\n')print title[:middle]#第四步 獲取Infobox的內容#標準方法是通過<table>匹配</table>確認其內容，找與它最近的一個結束符號#但此處分析源碼后取巧<p><b>實現start=language.find(r'<table class="infobox vevent"') #起點記錄查詢位置end=language.find(r'<p><b>'+title[:middle-1]) #減去1個空格infobox=language[start:end]#print infobox#第五步 獲取table中屬性-屬性值if "infobox vevent" in language: #防止無Infobox輸出多余換行#獲取table中tr值res_tr = r'<tr>(.*?)</tr>'m_tr = re.findall(res_tr,infobox,re.S|re.M)for line in m_tr:#print unicode(line,'utf-8')#獲取表格第一列th 屬性res_th = r'<th scope=.*?>(.*?)</th>'m_th = re.findall(res_th,line,re.S|re.M)for mm in m_th:#如果獲取加粗的th中含超鏈接則處理if "href" in mm:restr = r'<a href=.*?>(.*?)</a>'h = re.findall(restr,mm,re.S|re.M)print unicode(h[0],'utf-8')info.write(h[0]+'\n')else:#報錯用str()不行 針對兩個類型相同的變量#TypeError: coercing to Unicode: need string or buffer, list foundprint unicode(mm,'utf-8') #unicode防止亂info.write(mm+'\n')#獲取表格第二列td 屬性值res_td = r'<td .*?>(.*?)</td>'m_td = re.findall(res_td,line,re.S|re.M)for nn in m_td:if "href" in nn:#處理超鏈接<a href=../rel=..></a>res_value = r'<a .*?>(.*?)</a>'m_value = re.findall(res_value,nn,re.S|re.M) #m_td會出現TypeError: expected string or bufferfor value in m_value:print unicode(value,'utf-8'),info.write(value+' ')print ' ' #換行info.write('\n')else:print unicode(nn,'utf-8')info.write(nn+'\n')print '\n'info.write('\n\n')else:print 'No Infobox\n'info.write('No Infobox\n\n\n')#設置下載數量j=j+1time.sleep(1)if j==40:break;else:print 'Error url!!!' else:print 'Download over!!!'? ? ? ? 輸出結果是自定義爬取多少門語言，其中Ada編程語言如下圖所示：
? ? ? ? 最初我采用的是如下方法，維基百科需要中文繁體，需要人工標注分析HTML再爬取兩個尖括號(>...<)之間的內容：
#啟發語言 start=infobox.find(r'啟發語言') end=infobox.find(r'</tr>',start) print infobox[start:end] info.write(infobox[start:end]+'\n') ? ? ? ? 當然代碼中還存在很多小問題，比如爬取的信息中含<a href>超鏈接時只能爬取含超鏈接的信息，而沒有超鏈接的信息被忽略了；如何刪除<span class="noprint"></span>或<br />等信息。但是我希望自己能提供一種爬取網頁知識的方法給大家分享，后面可能會講述如何通過Python實現BeautifulSoup爬取網頁知識以及如何爬取圖片，很多時候我們在野網站瀏覽圖片都需要不斷點擊下一張。
? ? ? ?（By：Eastmount 2015-3-18 深夜4點 ?http://blog.csdn.net/eastmount/）

總結

以上是生活随笔為你收集整理的[python学习] 简单爬取维基百科程序语言消息盒的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。