WEB_KG/README.md

43 lines
1.1 KiB
Markdown
Raw Normal View History

2018-01-16 21:02:56 +08:00
# 百度百科网络爬虫
2018-01-16 21:09:24 +08:00
从首页开始逐步的爬取其他网页。使用了4个线程加快爬取速度
2018-01-15 15:56:26 +08:00
### 环境
- python 3.6
- requests:网络请求
- re:url匹配
- bs4:网页解析
- pickle:进度保存
2018-01-16 21:09:24 +08:00
- threading:线程
2018-01-15 15:56:26 +08:00
2018-04-20 11:46:11 +08:00
### 目錄
- ie/ 抽取網頁信息
- spider/ 抓取網頁
- kg/ 抽取三元組
2018-01-15 15:56:26 +08:00
### 执行:
```
python spider_main.py
```
### 网页保存路径:
2018-01-16 21:09:24 +08:00
我的是:```/data/webpages```,如需修改更改```html_parser.py```文件下的路径即可。
2018-01-15 15:56:26 +08:00
### 运行log:
```
craw 68357 : http://baike.baidu.com/item/%E8%BF%87%E9%80%9F%E7%BB%AF%E9%97%BB
Save to disk filename:webpages/非常主播
craw 68358 : http://baike.baidu.com/item/%E5%B8%82%E5%9C%BA%E8%A7%84%E6%A8%A1
Save to disk filename:webpages/市场规模
craw 68359 : https://baike.baidu.com/item/%E6%B8%85%E6%99%8F%E5%9B%AD
Save to disk filename:webpages/清晏园
craw 68360 : http://baike.baidu.com/item/%E5%AE%9D%E8%8E%B1%E5%9D%9E
Save to disk filename:webpages/宝莱坞
craw 68361 : https://baike.baidu.com/item/%E5%BA%93%E6%96%AF%E7%A7%91%E5%9F%8E
Save to disk filename:webpages/库斯科城
```