百度百科网页爬取：解决HTTP重定向导致结果为空的问题
本文分析了使用lxml库和xpath表达式爬取百度百科信息时，因HTTP重定向导致结果为空的问题，并提供了解决方案。 代码中使用了urllib.request库，但该库的urlopen函数默认不处理重定向，导致爬取失败。
以下代码片段展示了问题所在：
import urllib.request
import urllib.parse
from lxml import etree
def query(content):
url = 'https://baike.baidu.com/item/' + urllib.parse.quote(content)
headers = {
'user-agent': 'mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/67.0.3396.99 safari/537.36'
}
req = urllib.request.Request(url=url, headers=headers, method='GET') # 使用Request对象
try:
response = urllib.request.urlopen(req)
text = response.read().decode('utf-8')
html = etree.html(text)
sen_list = html.xpath('//div[contains(@class,"lemma-summary") or contains(@class,"lemmawgt-lemmasummary")]//text()')
sen_list_after_filter = [item.strip('\n') for item in sen_list]
return ''.join(sen_list_after_filter)
except urllib.error.HTTPError as e:
print(f"HTTP Error: {e.code} - {e.reason}")
return None
if __name__ == '__main__':
while True:
content = input('查询词语：')
result = query(content)
if result:
print("查询结果：%s" % result)
else:
print("查询失败")
如代码所示，当搜索“叶挺”时，由于百度百科链接重定向到/item/%e5%8f%b6%e6%8c%ba/299649，原始代码无法获取正确页面，导致结果为空。
解决方案：
为了解决这个问题，我们需要让代码能够跟随重定向。 虽然urllib.request.urlopen可以设置follow_redirects=True，但更稳妥的方法是使用urllib.request.Request对象，并结合异常处理：
import urllib.request import urllib.parse from lxml import etree # ... (rest of the code remains the same)
改进后的代码增加了错误处理，能够捕获HTTP错误并返回None，避免程序崩溃。 使用Request对象可以更清晰地控制请求，并且更易于处理各种HTTP状态码。 通过这些改进，爬虫程序就能正确处理重定向，获取到百度百科页面的内容。
