百战程序员分享：关于网页爬虫的自我尝试

关于网页爬虫的自我尝试，还是因为在大数据时代对所需数据的追求，数据对我们来说就是一笔宝贵的财富，以机器翻译来说，第一步呢需要收集目前大量的中英文翻译的原句子，而这些句子我们应该去哪里得到呢？最简单、最直接、最有效、最现成的办法就是去爬取。由于之前没有做过类似的东西，所以打算使用强悍的python辅助我。

首先我们发现，这一页并没有我们直接需要的中英文的素材，而是点击了导航栏上了各大分类，再进入具体的分类页后，再次点击具体的内容，才会有中英文互译的文章，我们的爬取思路如下：

思路：首页先得到进入各个分类的页面的url，其次在分类页面爬取出当前页面所有文章的url，最后进入文章获得中英文素材。我们需要查看一下网页的源代码，将导航栏处的源代码找到，提取看它是否有什么特征。那么接下来要做的就是解析html了。尚学堂•百战程序员陈老师指出，python解析html有现成的BeautifulSoup库比较强大，所以第一步安装这个强大的库，这里我的python版本是2.7，进入python的安装目录后，使用pip进行安装：

学习了一些简单的api用法之后，直接开始上手实践：

#print soup.title 找到title的标签，例如标题内容

#print soup.title.string 将title标签中的内容输出，例如“标题内容”

#print soup.p 输出所有p标签的第一个,如果想找所有的，使用find_all(‘p‘)

#print soup.find(id="search_button") 找到id是指定id的标签

#print soup.get_text().encode(‘utf-8‘) 得到所有内容

第一步实现的代码如下：

可以看到各个分类的ur已经被我们轻松的拿下了，接下来我们再爬取各个分类url下的文章的url，使用到的代码如下：

其实这样的爬取根本不够，因为每个分类我只是抓取了第一页的文章链接，而我需要的是把整个站点的所有内容全部抓取下来，因此每个需要都需要翻页去抓取，翻页的个数不确定，因此只能设置一个阈值，然后去试，直到出现了404页面。当然整个翻译的过程中还需要去重一些url，即使用这样的方式还是会存在一些重复的url。

关于网页爬虫的自我尝试，当然在这过程中也踩了不少坑，这里列举几个：

问题一：在notepad++中打开抓取的韩文内容显示乱码，但是windows记事本可以显示，最终查明是notepad++使用的字体中没有韩文的库。

问题二：抓取某些网站时候，抓取下来乱码，这里需要指定BeautifulSoup(resault, "html.parser", from_encoding=‘UTF-8‘)的第三个参数与指定网页的编码格式一样即可

问题三：在构造url的时候，有时候带着中文上去，Url会帮你把转化为（ ‘你好‘转为‘%E4%BD%A0%E5%A5%BD‘），有时候需要手动把中文转为这样的格式，在python中使用urllib.quote(keyword)来进行，相反%字符转中文使用unquote。