【Python3爬虫】百度一下，坑死你？
一、写在前面
这个标题是借用的路人甲大佬的一篇文章的标题（百度一下，坑死你），而且这次的爬虫也是看了这篇文章后才写出来的，感兴趣的可以先看下这篇文章。
前段时间有篇文章《搜索引擎百度已死》引起了很多讨论，而百度对此的回复是：百家号的内容在百度搜索结果中不超过10%。但是这个10%是第一页的10%还是所有数据的10%，我们不得而知，但是由于很多人都只会看第一页的内容，而如果这第一页里有十分之一的内容都来自于百家号，那搜索体验恐怕不怎么好吧？然后我这次写的爬虫就是把百度上面的热搜事件都搜索一下，然后把搜索结果的第一页上的标题链接提取出来，最后对这些链接进行一些简单的分析，看看百家号的内容占比能有多少。
二、具体步骤
1.页面分析
首先打开网页查看百度的热点事件，页面如下：
这次我主要对今日热点、娱乐热点、体育热点进行了爬取，每个热点下面有50条热点事件，然后对每个事件进行搜索，比如第一条--马云的福字：
可以看到搜索结果的第一页上有很多标题，然后对这些标题的链接进行爬取，再保存到一个txt文件里，最后对这些数据进行分析。
2.主要代码
（1）获取真实链接
这些搜索结果页面上的链接都是经过加密的，如下图：
所以我们爬取得到的链接都是http://www.baidu.com/link?url=VfA2jxmqJdYt1U-G0wHjWIXglVEi-WCxpa8aaMCeOzkqK-c5CgYngPiJT6_-kmWE3ePTHCpgYlX5oq9SQDJgEukKCY19o26JlS1pEIgnlupbw0Ss9Ro3gQjYVuJljdxyBPfiDUJhM9ODV_0mKnrUhESJ95Az1OnB6mMScmCXiUi这种，但是我们点进去之后就能得到真实的链接https://www.baidu.com/s?tn=news&rtt=1&bsst=1&wd=%E9%A9%AC%E4%BA%91%E7%9A%84%E7%A6%8F%E5%AD%97&cl=2&origin=ps，那我们要怎么得到真实的链接呢？相关代码如下：
1 def get_real_url(self, fake_url): 2 # 获取真实的链接 3 try: 4 res = requests.get(fake_url, headers=self.headers) 5 real_url = res.url 6 except Exception as e: 7 print(e)
（2）数据处理
这里我总共爬取了1051条链接，如下图：
但是这样的数据是明显没有办法进行分析的，所以需要进行一下处理，比如将https://baijiahao.baidu.com/s?id=1624053575252859170&wfr=spider&for=pc变成baijiahao.baidu，相关代码如下：
1 href = "https://baijiahao.baidu.com/s?id=1624053575252859170&wfr=spider&for=pc" 2 match = re.match("(http[s]?://.+?[com,cn,net]/)", href) 3 href = match.group() 4 href = href.replace('cn', 'com').replace('net', 'com') 5 href = href[href.index(':') + 3:].rstrip('.com/') 6 print(href) 7 # baijiahao.baidu
（3）数据分析
这里主要使用了matplotlib绘图帮助我们分析数据。首先需要统计出各个网站出现的次数，然后进行一个排序，得到排名前十的网站，结果如下（前面是网站，后面是出现次数）：
https://baijiahao.baidu.com/ 188
https://www.baidu.com/ 114
http://www.sohu.com/ 60
https://news.china.com/ 29
http://www.guangyuanol.cn/ 27
http://image.baidu.com/ 24
http://3g.163.com/ 20
https://sports.qq.com/ 19
https://www.iqiyi.com/ 17
https://baike.baidu.com/ 17
可以看到百家号出现的次数是最多的。然后进行绘图分析，这里主要是绘图的代码，因为使用的是百分数，所以在绘图的时候会稍微麻烦一点：
1 def plot(self, index_list, value_list): 2 b = self.ax.barh(range(len(index_list)), value_list, color='blue', height=0.8) 3 # 添加数据标签 4 for rect in b: 5 w = rect.get_width() 6 self.ax.text(w, rect.get_y() + rect.get_height() / 2, '{}%'.format(w), 7 ha='left', va='center') 8 # 设置Y轴刻度线标签 9 self.ax.set_yticks(range(len(index_list))) 10 self.ax.set_yticklabels(index_list) 11 # 设置X轴刻度线 12 lst = ["{}%".format(i) for i in range(0, 20, 2)] 13 self.ax.set_xticklabels(lst) 14 15 plt.subplots_adjust(left=0.25) 16 plt.xlabel("占比") 17 plt.ylabel("网站") 18 plt.rcParams['font.sans-serif'] = ['SimHei'] 19 plt.savefig("bjh.jpg") 20 print("已保存为bjh.jpg！")
三、运行结果
由于每个事件的搜索结果都是不同的，所以在解析网页的时候可能会出错，然后就是请求频率太高了会被ban掉，而且有时候UA会被识别出来然后就被ban掉了，运行情况如下图：
最后看一下绘制出来的图片：
可以看到百家号的内容占比达到了17%，而排在第二的也是百度自家的产品，内容占比也达到了10%。当然了，由于搜索的都是百度上的热搜事件，所以得到的结果百度自家的内容会多一点，但是光百家号的内容就占了17%，是不是也太多了点呢？
完整代码已上传到GitHub！
