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.requestimport urllib.parsefrom lxml import etreedef 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 Noneif __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.requestimport urllib.parsefrom 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。
以上就是百度百科网页爬取结果为空，如何解决HTTP重定向问题？的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1358393.html
微信扫一扫 
支付宝扫一扫 
