百度百科XPath爬虫：解决HTTP重定向导致空结果的问题
本文针对使用XPath爬取百度百科时遇到的空结果问题，提供解决方案。 问题根源在于代码未正确处理HTTP重定向，导致爬取到的页面并非目标词条页面。
以下代码片段演示了问题所在：该代码尝试提取百度百科词条摘要，但由于百度百科URL重定向，导致XPath提取失败，返回空结果。
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')
response = urllib.request.urlopen(req) # 这里未处理重定向
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)
if __name__ == '__main__':
while (True):
content = input('查询词语：')
result = query(content)
print("查询结果：%s" % result)
例如，使用curl命令测试“叶挺”词条，会发现服务器返回302重定向，并给出新的URL。 原始代码未处理此重定向，直接使用初始URL返回的HTML，导致XPath提取失败。
解决方案：
为了解决这个问题，需要修改代码以处理HTTP重定向。 可以使用urllib.request.urlopen方法的follow_redirects参数，将其设置为True，或者使用更高级的HTTP客户端库（例如requests）来更优雅地处理重定向。
改进后的代码如下：
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')
response = urllib.request.urlopen(req, timeout=10) # 添加超时设置
text = response.read().decode('utf-8', errors='ignore') # 添加错误处理
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)
if __name__ == '__main__':
while (True):
content = input('查询词语：')
result = query(content)
print("查询结果：%s" % result)
通过处理重定向后，XPath就能正确提取信息，解决空结果问题。 此外，代码中添加了超时设置和错误处理，增强了代码的健壮性。 建议使用更强大的库，例如requests，来简化HTTP请求的处理。
