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。

百度文档解析vlm-parser

调用百度PaddleOCR‑VL大模型API，支持PDF、Word、PPT、图片等多格式文档解析，精准识别印刷体、手写体、表格、公式、图表、印章等复杂元素，支持100+语言，可处理不规则布局和跨页长文档。触发词：文档解析、VLM解析、大模型OCR、PaddleOCR、多模态文档、手写识别、公式识别、复杂版面。

下载

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。