[python学习] 简单爬取维基百科程序语言消息盒

文章主要讲述如何通过Python爬取维基百科的消息盒(Infobox)，主要是通过正则表达式和urllib实现；后面的文章可能会讲述通过BeautifulSoup实现爬取网页知识。由于这方面的文章还是较少，希望提供一些思想和方法对大家有所帮助。如果有错误或不足之处，欢迎之处；如果你只想知道该篇文章最终代码，建议直接阅读第5部分及运行截图。

一. 维基百科和Infobox

你可能会疑惑Infobox究竟是个什么东西呢？下面简单介绍。
维基百科作为目前规模最大和增长最快的开放式的在线百科系统,其典型包括两个网状结构:文章网络和分类树(以树为主体的图)。该篇博客主要是对维基百科“程序语言”结构进行分析，下载网页后提取相关消息盒(Infobox)中属性和对应的值。
Infobox是模板(一系列的信息框)，通常是成对的标签label和数据data组成。参考：http://zh.wikipedia.org/wiki/Template:Infobox
下图是维基百科“世界政区索引”中“中国”的部分Infobox信息和“程序设计语言列表”的“ACL2”语言的消息盒。

二. 爬虫实现

1. python下载html网页

首先需要访问维基百科的“程序设计语言列表”，并简单讲述如何下载静态网页的代码。在维基百科中输入如下URL可以获取所有程序语言列表：
http://zh.wikipedia.org/wiki/程序设计语言列表

你可以看到从A到Z的各种程序语言，如A# .NET、ActionScript、C++、易语言等，当然可能其中很多语言都没有完善或没有消息盒Infobox。同样如果你想查询世界各个国家的信息，输入URL如下：
http://zh.wikipedia.org/wiki/世界政区索引
通过如下代码可以获取静态的html页面：

# coding=utf-8
import urllib
import time
import re#第一步 获取维基百科内容
#http://zh.wikipedia.org/wiki/程序设计语言列表
keyname="程序设计语言列表"
temp='http://zh.wikipedia.org/wiki/'+str(keyname)
content = urllib.urlopen(temp).read()
open('wikipedia.html','w+').write(content)
print 'Start Crawling pages!!!'

获取的本地wikipedia.html界面如下图所示：

2. 正则表达式获取URL超链接

现在需要通过Python正则表达式获取所有语言的超链接URL。
网页中创建超链接需要使用A标记符,结束标记符为</A>.它的最基本属性是href,用于指定超链接的目标,通过href属性指定不同的值,可以创建不同类型的超链接.

href = '<p><a href="www.csdn.cn" title="csdn">CSDN</a></p>'
link = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", href)
print link

上面是获取网页URL的正则表达式代码，输出结果是：['www.csdn.cn']。
但是获取“程序设计语言列表”中所有语言时，我是通过人工确定起始位置“0-9”和结束位置“参看”进行查找的，代码如下：

# coding=utf-8
import urllib
import time
import re#第一步 获取维基百科内容
#http://zh.wikipedia.org/wiki/程序设计语言列表
keyname="程序设计语言列表"
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 获取网页中的所有URL
#从原文中"0-9"到"参看"之间是A-Z各个语言的URL
start=content.find(r'0-9')
end=content.find(r'参看')
cutcontent=content[start:end]
link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\').+?(?=\')", cutcontent)
fileurl=open('test.txt','w')
for url in link_list:print url

输出的结果HTML源码主要包括以下几种形式：

<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)（页面不存在）">A# .NET</a>
输出：
#A
/wiki/C%EF%BC%83
/w/index.php?title=A%2B%2B&amp;action=edit&amp;redlink=1.

此时获取了href中URL，很显然“http://zh.wikipedia.org”加上获取的后缀就是具体的一门语言信息，如：

http://zh.wikipedia.org/wiki/C#

http://zh.wikipedia.org/wiki/A_Sharp_(.NET)

它会转换成C%EF%..等形式。而index.php?此种形式表示该页面维基百科未完善，相应的Infobox消息盒也是不存在的。下面就是去到每一个具体的URL获取里面的title信息，同时下载相应的静态URL。

3. 获取程序语言title信息及下载html

首先通过拼接成完整的URL，在通过open函数下载对应的程序语言html源码至language文件夹下；再通过正则表达式r'(?<=<title>).*?(?=</title>)'可以获取网页的title信息。代码如下：

# coding=utf-8
import urllib
import time
import re#第一步 获取维基百科内容
#http://zh.wikipedia.org/wiki/程序设计语言列表
keyname="程序设计语言列表"
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 获取网页中的所有URL
#从原文中"0-9"到"参看"之间是A-Z各个语言的URL
start=content.find(r'0-9')
end=content.find(r'参看')
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则正确url 否则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 下载每个程序URL静态文件并获取Infobox对应table信息
#国家：http://zh.wikipedia.org/wiki/阿布哈茲
#语言：http://zh.wikipedia.org/wiki/ActionScript
info=open('infobox.txt','w')
info.write('****************获取程序语言信息*************\n\n')
j=1
for url in link_list:if url.find('wiki')>=0 or url.find('index.php')>=0:#下载静态htmlwikiurl='http://zh.wikipedia.org'+str(url)print wikiurllanguage = urllib.urlopen(wikiurl).read()name=str(j)+' language.html'#注意 需要创建一个country的文件夹 否则总报错No such file or directoryopen(r'language/'+name,'w+').write(language) #写方式打开+没有即创建#获取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对应当前语言HTML所有内容title=title_obj.group()#获取内容'C语言 - 维基百科，自由的百科全书' 仅获取语言名middle=title.find(r'-')info.write('【程序语言  '+title[:middle]+'】\n')print title[:middle]#设置下载数量j=j+1time.sleep(1)if j==20:break;else:print 'Error url!!!'
else:print 'Download over!!!'

输出结果如下图所示，其中获取20个程序语言URL的标题输入infobox.txt如下：

然后是获取每门语言HTML下载至本地的language文件夹下，需要自己创建一个文件夹。其中一门语言代码如下，标题就是下图左上方的ACL2：

4. 爬取class=Infobox的table信息

获取Infobox的table信息，通过分析源代码发现“程序设计语言列表”的消息盒如下：
<table class="infobox vevent" ..><tr><th></th><td></td></tr></table>
而“世界政区索引”的消息盒形式如下：
<table class="infobox"><tr><td></td></tr></table>
具体的代码如下所示：

# coding=utf-8
import urllib
import time
import re#第一步 获取维基百科内容
#http://zh.wikipedia.org/wiki/程序设计语言列表
keyname="程序设计语言列表"
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 获取网页中的所有URL
#从原文中"0-9"到"参看"之间是A-Z各个语言的URL
start=content.find(r'0-9')
end=content.find(r'参看')
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则正确url 否则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 下载每个程序URL静态文件并获取Infobox对应table信息
#国家：http://zh.wikipedia.org/wiki/阿布哈茲
#语言：http://zh.wikipedia.org/wiki/ActionScript
info=open('infobox.txt','w')
info.write('****************获取程序语言信息*************\n\n')
j=1
for url in link_list:if url.find('wiki')>=0 or url.find('index.php')>=0:#下载静态htmlwikiurl='http://zh.wikipedia.org'+str(url)print wikiurllanguage = urllib.urlopen(wikiurl).read()name=str(j)+' language.html'#注意 需要创建一个country的文件夹 否则总报错No such file or directoryopen(r'language/'+name,'w+').write(language) #写方式打开+没有即创建#获取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对应当前语言HTML所有内容title=title_obj.group()#获取内容'C语言 - 维基百科，自由的百科全书' 仅获取语言名middle=title.find(r'-')info.write('【程序语言  '+title[:middle]+'】\n')print title[:middle]#第四步 获取Infobox的内容#标准方法是通过<table>匹配</table>确认其内容，找与它最近的一个结束符号#但此处分析源码后取巧<p><b>实现start=language.find(r'<table class="infobox vevent"') #起点记录查询位置end=language.find(r'<p><b>'+title[:middle-1])    #减去1个空格infobox=language[start:end]print infobox#设置下载数量j=j+1time.sleep(1)if j==20:break;else:print 'Error url!!!'
else:print 'Download over!!!'

“print infobox”输出其中一门语言ActionScript的InfoBox消息盒部分源代码如下：

<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;;;">发行时间</th>
<td style=";;">1998年</td>
</tr>
<tr>
<th scope="row" style="text-align:left;white-space:nowrap;;;">实现者</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;;;">启发语言</th>
<td style=";;"><a href="/wiki/JavaScript" title="JavaScript">JavaScript</a>、<a href="/wiki/Java" title="Java">Java</a></td>
</tr>
</table>

5. 爬取消息盒属性-属性值

爬取格式如下：
<table>
<tr>
<th>属性</th>
<td></td>
</tr>
</table>
其中th表示加粗处理，td和th中可能存在属性如title、id、type等值；同时<td></td>之间的内容可能存在<a href=..></a>或<span></span>或<br />等值，都需要处理。下面先讲解正则表达式获取td值的例子：
参考：http://bbs.csdn.net/topics/390353859?page=1

<table>
<tr>
<td>序列号</td><td>DEIN3-39CD3-2093J3</td>
<td>日期</td><td>2013年1月22日</td>
<td>售价</td><td>392.70 元</td>
<td>说明</td><td>仅限5用户使用</td>
</tr>
</table>

Python代码如下：

s = '''<table>
....
</table>''' #对应上面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防止乱码#输出结果如下：
#序列号 DEIN3-39CD3-2093J3
#日期 2013年1月22日
#售价 392.70 元
#说明 仅限5用户使用

如果<td id="">包含该属性则正则表达式为r'<td id=.*?>(.*?)</td>'；同样如果不一定是id属性开头，则可以使用正则表达式r'<td .*?>(.*?)</td>'。
最终代码如下：

# coding=utf-8
import urllib
import time
import re#第一步 获取维基百科内容
#http://zh.wikipedia.org/wiki/程序设计语言列表
keyname="程序设计语言列表"
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 获取网页中的所有URL
#从原文中"0-9"到"参看"之间是A-Z各个语言的URL
start=content.find(r'0-9')
end=content.find(r'参看')
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则正确url 否则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 下载每个程序URL静态文件并获取Infobox对应table信息
#国家：http://zh.wikipedia.org/wiki/阿布哈茲
#语言：http://zh.wikipedia.org/wiki/ActionScript
info=open('infobox.txt','w')
info.write('****************获取程序语言信息*************\n\n')
j=1
for url in link_list:if url.find('wiki')>=0 or url.find('index.php')>=0:#下载静态htmlwikiurl='http://zh.wikipedia.org'+str(url)print wikiurllanguage = urllib.urlopen(wikiurl).read()name=str(j)+' language.html'#注意 需要创建一个country的文件夹 否则总报错No such file or directoryopen(r'language/'+name,'w+').write(language) #写方式打开+没有即创建#获取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对应当前语言HTML所有内容title=title_obj.group()#获取内容'C语言 - 维基百科，自由的百科全书' 仅获取语言名middle=title.find(r'-')info.write('【程序语言  '+title[:middle]+'】\n')print title[:middle]#第四步 获取Infobox的内容#标准方法是通过<table>匹配</table>确认其内容，找与它最近的一个结束符号#但此处分析源码后取巧<p><b>实现start=language.find(r'<table class="infobox vevent"') #起点记录查询位置end=language.find(r'<p><b>'+title[:middle-1])    #减去1个空格infobox=language[start:end]#print infobox#第五步 获取table中属性-属性值if "infobox vevent" in language: #防止无Infobox输出多余换行#获取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')#获取表格第一列th 属性res_th = r'<th scope=.*?>(.*?)</th>'m_th = re.findall(res_th,line,re.S|re.M)for mm in m_th:#如果获取加粗的th中含超链接则处理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:#报错用str()不行 针对两个类型相同的变量#TypeError: coercing to Unicode: need string or buffer, list foundprint unicode(mm,'utf-8') #unicode防止乱info.write(mm+'\n')#获取表格第二列td 属性值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:#处理超链接<a href=../rel=..></a>res_value = r'<a .*?>(.*?)</a>'m_value = re.findall(res_value,nn,re.S|re.M) #m_td会出现TypeError: expected string or bufferfor value in m_value:print unicode(value,'utf-8'),info.write(value+' ')print ' ' #换行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')#设置下载数量j=j+1time.sleep(1)if j==40:break;else:print 'Error url!!!'
else:print 'Download over!!!'

输出结果是自定义爬取多少门语言，其中Ada编程语言如下图所示：

最初我采用的是如下方法，维基百科需要中文繁体，需要人工标注分析HTML再爬取两个尖括号(>...<)之间的内容：

#启发语言
start=infobox.find(r'啟發語言')
end=infobox.find(r'</tr>',start)
print infobox[start:end]
info.write(infobox[start:end]+'\n')

当然代码中还存在很多小问题，比如爬取的信息中含<a href>超链接时只能爬取含超链接的信息，而没有超链接的信息被忽略了；如何删除<span class="noprint"></span>或<br />等信息。但是我希望自己能提供一种爬取网页知识的方法给大家分享，后面可能会讲述如何通过Python实现BeautifulSoup爬取网页知识以及如何爬取图片，很多时候我们在野网站浏览图片都需要不断点击下一张。
（By：Eastmount 2015-3-18 深夜4点 http://blog.csdn.net/eastmount/）