百度百科网页爬取XPath返回空值：302重定向及解决方案
在使用XPath爬取百度百科数据时，经常会遇到XPath表达式返回空值的情况。本文将深入分析导致此问题的一个常见原因——302重定向，并提供相应的Python代码解决方案。
问题描述：
以下代码尝试使用lxml库和XPath表达式提取百度百科词条摘要。然而，html.xpath()语句返回空列表，无法获取摘要信息。
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; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36'
}
req = urllib.request.Request(url=url, headers=headers, method='GET')
response = urllib.request.urlopen(req)
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)
问题分析：
使用curl命令测试百度百科请求，例如：curl https://baike.baidu.com/item/叶挺 -v，会发现请求被重定向(302 redirect)到一个新的URL，例如/item/%e5%8f%b6%e6%8c%ba/299649。 原始代码没有处理这个重定向，导致爬虫获取的是重定向前的页面，从而XPath表达式无法匹配到目标元素。
解决方案：
为了解决302重定向问题，需要在代码中添加重定向处理机制。 以下代码使用urllib.request.urlopen的特性自动处理重定向：
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; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36'
}
req = urllib.request.Request(url=url, headers=headers, method='GET')
try:
with urllib.request.urlopen(req) as response: #自动处理重定向
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)
except urllib.error.URLError as e:
return f"Error: {e.reason}"
if __name__ == '__main__':
while True:
content = input('查询词语：')
result = query(content)
print("查询结果：%s" % result)
改进后的代码使用with urllib.request.urlopen(req) as response:，urlopen函数会自动跟随重定向，获取最终的网页内容。 添加了try-except块来处理潜在的URL错误。 同时，更新了user-agent字符串，使其更贴近现代浏览器。 这将有效解决302重定向导致XPath返回空值的问题。
