python爬取百度搜索结果ur汇总
写了两篇之后,我觉得关于爬虫,重点还是分析过程
分析些什么呢:
1)首先明确自己要爬取的目标
比如这次我们需要爬取的是使用百度搜索之后所有出来的url结果
2)分析手动进行的获取目标的过程,以便以程序实现
比如百度,我们先进行输入关键词搜索,然后百度反馈给我们搜索结果页,我们再一个个进行点击查询
3)思考程序如何实现,并克服实现中的具体困难
那么我们就先按上面的步骤来,我们首先认识到所搜引擎,提供一个搜索框,让用户进行输入,然后点击执行
我们可以先模拟进行搜索,发现点击搜索之后的完整url中有一项很关键,如下
http://www.baidu.com/s?wd=搜索内容......
后面的内容我们尝试去除之后再次请求上面的url,发现返回的信息一样,我们就可以断定请求的url只需要填入wd这个参数即可
接着我们就应该进行尝试requests.get()查看是否能正常返回页面,防止百度的反爬虫
嘿,幸运的是返回页面正常哈哈~
(当然如果没有返回到正常信息,只要设置好headers或者严格的cookies就行了)
import requests url = 'http://www.baidu.com/s?wd=......' r = requests.get(url) print r.status_code,r.content
好,接下来我们就想知道怎么爬取所有的结果
我么再次对url进行分析,发现url中还有一项很关键,是控制页码的项:
http://www.baidu.com/s?wd=...&pn=x
这个x是每10为一页,第一页为0,而且一共76页,也就是750最大值,大于750则返回第一页
接下来我们就可以对抓取到的页面进行分析
还是使用友好的beautifulsoup
我们通过分析发现我们所需要的url在标签a中的href里,而且格式是这样:
http://www.baidu.com/link?url=......
因为还存在很多别的url混淆,所以我们只需要进行一个筛选就行了
而且这个获得的url并不是我们想要的url结果,这只是百度的一个跳转链接
但是让我欣慰的是,当我们队这个跳转链接进行get请求后,直接返回get对象的url便是我们想要的结果链接了
然后我们再次进行尝试,发现还是没有别的反爬虫机制哈哈
本来的想法是,我们是否要先进行一个对新的url返回的状态码进行一个筛选,不是200就不行(甚至还需要些headers)
但是我发现,其实就算不是200,我们只要返回请求对象的url就行了,和能不能正常返回没关系
因为我们的目的并不是请求的页面结果,而是请求的url
所以只需要全部打印出来就行了
当然我建议写一个简单的笼统的headers写入get,这样至少能排除一些不必要的结果
接着我们请求的完整思路就差不多了
上代码:
#coding=utf-8 import requests
import sys
import Queue
import threading
from bs4 import BeautifulSoup as bs
import re headers = {
......
} class baiduSpider(threading.Thread):
def __init__(self,queue,name):
threading.Thread.__init__(self)
self._queue = queue
self._name = name def run(self):
while not self._queue.empty():
url = self._queue.get()
try:
self.get_url(url)
except Exception,e:
print e
pass
#一定要异常处理!!!不然中途会停下,爬取的内容就不完整了!!! def get_url(self,url):
r = requests.get(url = url,headers = headers)
soup = bs(r.content,"html.parser")
urls = soup.find_all(name='a',attrs={'href':re.compile(('.'))})
# for i in urls:
# print i #抓取百度搜索结果中的a标签,其中href是包含了百度的跳转地址 for i in urls:
if 'www.baidu.com/link?url=' in i['href']:
a = requests.get(url = i['href'],headers = headers) #对跳转地址进行一次访问,返回访问的url就能得到我们需要抓取的url结果了 #if a.status_code == 200:
#print a.url with open('E:/url/'+self._name+'.txt') as f:
if a.url not in f.read():
f = open('E:/url/'+self._name+'.txt','a')
f.write(a.url+'\n')
f.close() def main(keyword): name = keyword f = open('E:/url/'+name+'.txt','w')
f.close() queue = Queue.Queue()
for i in range(0,760,10):
queue.put('http://www.baidu.com/s?wd=%s&pn=%s'%(keyword,str(i))) threads = []
thread_count = 10 for i in range(thread_count):
spider = baiduSpider(queue,name)
threads.append(spider) for i in threads:
i.start() for i in threads:
i.join() print "It's down,sir!" if __name__ == '__main__': if len(sys.argv) != 2:
print 'no keyword'
print 'Please enter keyword ' sys.exit(-1)
else:
main(sys.argv[1])
我们工具的功能就是:
python 123.py keyword
就能将url结果写入文件
这边sys我有话讲
在if __name__ == '__main__':中先进行一个判断,如果输入的字段是一个,那么我们就返回提醒信息,让用户进行键入
如果是两个,那么就将第二个键入记为keyword进行操作
当然这边逻辑有个缺陷,就是大于两个字符会不会有别的问题(别的问题哦!!!)
值得研究一下,但这不是我们这篇的重点
好啦,今天的百度url结果手收集就那么多啦!
谢谢观看哦!
python爬取百度搜索结果ur汇总的更多相关文章
- python 爬取百度url
#!/usr/bin/env python # -*- coding: utf-8 -*- # @Date : 2017-08-29 18:38:23 # @Author : EnderZhou (z ...
- Python——爬取百度百科关键词1000个相关网页
Python简单爬虫——爬取百度百科关键词1000个相关网页——标题和简介 网站爬虫由浅入深:慢慢来 分析: 链接的URL分析: 数据格式: 爬虫基本架构模型: 本爬虫架构: 源代码: # codin ...
- python爬取百度贴吧帖子
最近偶尔学下爬虫,放上第二个demo吧 #-*- coding: utf-8 -*- import urllib import urllib2 import re #处理页面标签类 class Too ...
- 爬虫实战(一) 用Python爬取百度百科
最近博主遇到这样一个需求:当用户输入一个词语时,返回这个词语的解释 我的第一个想法是做一个数据库,把常用的词语和词语的解释放到数据库里面,当用户查询时直接读取数据库结果 但是自己又没有心思做这样一个数 ...
- 假期学习【十一】Python爬取百度词条写入csv格式 python 2020.2.10
今天主要完成了根据爬取的txt文档,从百度分类从信息科学类爬取百度词条信息,并写入CSV格式文件. txt格式文件如图: 为自己爬取内容分词后的结果. 代码如下: import requests fr ...
- 使用python抓取百度搜索、百度新闻搜索的关键词个数
由于实验的要求,需要统计一系列的字符串通过百度搜索得到的关键词个数,于是使用python写了一个相关的脚本. 在写这个脚本的过程中遇到了很多的问题,下面会一一道来. ps:我并没有系统地学习过pyth ...
- 使用python爬取百度贴吧内的图片
1. 首先通过urllib获取网页的源码 # 定义一个getHtml()函数 def getHtml(url): try: page = urllib.urlopen(url) # urllib.ur ...
- python 爬取百度云资源
pan1 1 import urllib.request 2 import re 3 import random 4 5 def get_source(key): 6 7 print('请稍等,爬取中 ...
- python爬取百度翻译返回:{'error': 997, 'from': 'zh', 'to': 'en', 'query 问题
解决办法: 修改url为手机版的地址:http://fanyi.baidu.com/basetrans User-Agent也用手机版的 测试代码: # -*- coding: utf-8 -*- & ...
随机推荐
- SICP-1.4-函数设计
何为好的函数 每个函数只完成一个工作 不要做重复工作 如果你多次复制一段代码块,说明你应该进行函数抽象了 定义一般化函数 避免特例化 函数说明 一般通过三引号说明 help调出函数说明 避免过多的参数 ...
- .Net Mvc Automated Migration 数据迁移
1.打开程序包管理器控制台 PM> enable-migrations –EnableAutomaticMigration:$true 2.项目工程文件中会生成Migrations文件夹 3.找 ...
- 关于MATLAB处理大数据坐标文件2017527
第一次提交数据: 今天用了8个特征,加上的这一个特征是 从3000条测试数据中测试失败的数据总结出来的树的数目为50再次使用3000条测试数据测试结果-- 结果不错: 99%但是运行官网数据结果分数- ...
- 查找oracle自己用户的表
查找oracle自己用户的表 select table_name from user_tables;
- 实现自己的.NET Core配置Provider之EF
<10分钟就能学会.NET Core配置>里详细介绍了.NET Core配置的用法,另外我还开源了自定义的配置Provider:EF配置Provider和Yaml配置Provider.本文 ...
- MyEclipse常用操作
选择你要注释的那一行或多行代码,按Ctrl+/即可,取消注释也是选中之后按Ctrl+/即可. 如果你想使用的快捷键的注释是的话,那么你的快捷键是ctrl+shift+/我以前都是手动注释的,直接打// ...
- django-xadmin ModelAdmin中定义object_list_template无效的问题
环境:https://github.com/y2kconnect/xadmin-for-python3.git python3.5.2 django1.9.12 object_list_templat ...
- Error detected while processing function CheckFoam256 问题的解决
今天在打开OpenFOAM的constant文件的时候, vim-OpenFOAM-syntax插件遇到了如下问题: Error detected while processing function ...
- Idea调试显示切换数据源的设置
使用IDEA调试时,如果遇到相同方法会在编辑器上提示切换到哪个项目,因为手滑点了Disable,所以导致后来就不提示了,记录下设置方法.
- H3CNE实验:配置交换机接口
第1步:配置交换机端口 <H3C>system-view System View: return to User View with Ctrl+Z. [H3C]interface Giga ...