python爬虫慕课基础2

实战演练：爬取百度百科1000个页面的数据

对于新手来说，可以把spider_main.py代码中的try和except去掉，运行报错就会在控制台出现，根据错误去调试自己的程序

发现以下错误：

requests.exceptions.TooManyRedirects: Exceeded 30 redirects

错误提示是requests库有太多的重定向：超过了30个重定向。

查找别人的解决方式：

我是通过steam的appid来进行遍历的，但是steam不是所有appid都对应一个游戏，也就是说有一些是空的。这种情况下steam会重定向至steam主页，就会产生这个问题。 
所以，我最终的解决方案就是仅请求不允许重新定向，因为重新定向中没有我需要的信息。在requests请求中添加一个对应的字段就ok了：

req=requests.get(url,headers=header,allow_redirects=False)

这样就不会弹出上面的错误提示了，但是也关闭了重定向的功能。

发现以下错误：

Traceback (most recent call last):
File "D:/PycharmProjects/test/baike_spider/spider_main.py", line 39, in <module>
obj_spider.craw(root_url)
File "D:/PycharmProjects/test/baike_spider/spider_main.py", line 20, in craw
new_urls, new_data = self.parser.parse(new_url, html_cont)
TypeError: 'NoneType' object is not iterable

在20行上加入输出

html_cont = self.downloader.download(new_url)  # content存放下载的url
print(html_cont)
new_urls, new_data = self.parser.parse(new_url, html_cont)
输出为空None，说明错误在downloader中

使用第三方包requests会导致302重定向问题，原因不明
改为使用urllib的request
成功爬取

生成的html文件直接打开是乱码，用txt打开则正常
加入语句fout.write('<meta charset="utf-8">')后输出正常

爬取时会遇到两个问题中止程序。a：网址中含有中文，b:有些百科词条中'summary'节点是空的，程序没判断导致get_text出错

a：网址中含有中文使用

url_ = quote(url, safe=string.printable)
解决问题

b:有些百科词条中'summary'节点是空的，程序没判断导致get_text出错添加判断语句解决:

if summary_node is not None:
    res_data['summary'] = summary_node.get_text()

查看拼接url：
print('url拼接：', page_url, new_url, new_full_url)   # 查看如何拼接

输出为：
url拼接： https://baike.baidu.com/item/Python/407313?fr=aladdin /item/史记·2016?fr=navbar https://baike.baidu.com/item/史记·2016?fr=navbar
可知：
通过正则表达式

links = soup.find_all('a', href=re.compile(r"/item/"))

获得的是/item/及后面部分如/item/史记·2016?fr=navbar