希望文章對你有所幫助，尤其是web爬蟲初學者和nlp相關同學。當然你也能，懂的~
目錄：
0 前言
1 lantern通路中文維基百科
2 selenium調用chrome自動通路維基百科
3 selenium爬取維基百科資訊
代碼及軟體下載下傳位址：
<a target="_blank" href="http://download.csdn.net/detail/eastmount/9422875">http://download.csdn.net/detail/eastmount/9422875</a>
在對海量知識挖掘和自然語言處理（natural language processing，簡稱nlp）中會大量涉及到三大百科的語料問題，尤其是中文漢字語料問題，包括：百度百科、互動百科和維基百科。其應用涉及命名實體（named entity，簡稱ne）消歧、實體對齊、雙語機器翻譯、推薦系統、情感分析、知識圖譜等領域。
其中三大百科準确率方面是維基百科>互動百科>百度百科；中文涉及實體内容是百度百科>互動百科>維基百科。如下圖所示，維基百科wikipedia頁面通常包括：title（标題）、description（摘要描述）、infobox（消息盒）、categories(實體類别)、crosslingual
links(跨語言連結)等。
但問題來了：中文維基百科總是被屏蔽，第一個問題就是如何通路中文維基百科呢？
lantern：一款免費強大的帆樯軟體，譯為“燈籠”。點選exe即可運作，非常巧小的一款軟體；據說是google公司推出的，但确實良心制作。
同時你可以通路youtube和維基百科了，就是這麼簡單~
selenium調用firefox浏覽器直接設定代碼"driver = webdriver.firefox()"即可，但是調用chrome需要下載下傳chromedriver.exe驅動。同時放置于chrome安裝目錄下：
我的目錄：c:\program files (x86)\google\chrome\application，如果你報錯：
同時添加該路徑到環境變量path中：
下面簡單四句代碼即可調用浏覽器自動通路維基百科頁面：
爬取的方法與前面百度百科的方法類似，現在txt中定義實體名稱，即需要爬取的網頁名稱，再去到具體頁面爬取内容。這裡需要講述一個方法：
https://zh.wikipedia.org/wiki/阿富汗
可以通路中國頁面，同樣該方法适用于互動百科，即：url+檔案中讀取實體名稱
當然百度百科，你隻需要擷取輸入框的按鈕資訊，然後輸入讀取檔案名稱，自動回車或點選即可。其中你可能會遇到一些存在歧義的頁面，再處理下即可。同時維基百科和互動百科中存在分類頁面，歸納了自己想要的内容，也比較友善。
最後是代碼及運作結果：
運作結果如下圖，共爬取了每個實體的10段資訊，而百度摘要會有id，可隻爬取摘要。
同樣，你也可以通過下面這部分代碼爬取infobox資訊，首先給出html源碼标簽：
核心代碼：
elem_value = driver.find_elements_by_xpath("//table[@class='infobox']")
具體代碼如下：
運作結果如下圖所示：
最後希望文章對你有所幫助，還是那句話：如果剛好你遇到這個問題，就會受益匪淺；否則感覺沒什麼技術含量，不過确實也挺簡單的，但是燈籠還是非常強大的。一月份終于要結束了，不知道多少個熬夜到早上10點，回家好好享受下生活吧~