百度搜索引擎关键字URL采集爬虫优化行业定投方案高效获得行业流量-代码篇
需要结合：《百度搜索引擎关键字URL采集爬虫优化行业定投方案高效获得行业流量--笔记篇》 一起看。
1 #!/user/bin/env python
2 # -*- coding:utf-8 -*-
3 # author:隔壁老王
4
5 import requests
6 import re
7
8 def baidu_spider(key,pn):
9 #第一步：确认目标URL: 百度搜索“程序设计”的url
10 #key = '正则表达式'
11 #url = 'https://www.baidu.com/s?wd=%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1&rsv_spt=1&rsv_iqid=0x967855b80019cdd1&issp=1&f=8&rsv_bp=0&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=0&rsv_sug3=3&rsv_sug1=2&rsv_sug7=100&inputT=643536&rsv_sug4=644636'
12 url = 'https://www.baidu.com/s?&rsv_spt=1&rsv_iqid=0x967855b80019cdd1&issp=1&f=8&rsv_bp=0&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=0&rsv_sug3=3&rsv_sug1=2&rsv_sug7=100&inputT=643536&rsv_sug4=644636'
13 #优化点 1 这个url被写死了，如果想爬取其他东西该怎么办呢
14 fb = open('res\\{}.txt'.format(key), 'w', encoding='utf-8') # 优化点3
15 #优化点 4 实现翻页
16 for i in range(pn):
17
18 #还有一个请求参数
19 data = {'wd':key,'pn': i * 10}
20
21 #wd=%E7%A8%8B%E5%BA%8F%E8%AE%BE%E8%AE%A1 这个其实就是“程序设计”，是被编码成这样子的，搜索的关键字
22
23 #第三步：伪装请求头,
24 headers = {
25 'User-Agent':r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
26 }
27 #字典中的信息在Headers栏的Request Headers下的User-Agent :用来标识用户类型，是谷歌浏览器还是IE浏览器等
28
29 #第二步：向第一步中的url发送http请求，要用到requests模块
30 #这个模块的安装，在PyCharm的Terminal命令行中输入 pip install requests 命令
31 #response = requests.get(url,headers = headers)
32 response = requests.get(url,headers = headers,params = data,timeout = 10)
33 #这里为啥要用GET请求呢，，因为在Headers栏中Request Method:GET 是这里决定的，我们就是在模拟浏览器呢，所以浏览器用get,我们也要用get
34 #请求完之后一定会收到数据，所以需要定义一个变量接受url返回的数据
35 #response中是很多数据的，很多个信息打包在一起，想要把里边的信息拿出来，就需要把这个包裹拆开
36 #如果想从这个包裹中读取到文本信息该如何操作呢？
37 #print(response.text) #这text就是html的所有内容了，就这样获取了
38 ''' 打印信息如下：
39 <html>
40 <head>
41 <script>
42 location.replace(location.href.replace("https://","http://"));
43 </script>
44 </head>
45 <body>
46 <noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript>
47 </body>
48 </html>
49 '''
50 #很明显出问题了，并没有返回什么实质性的信息，返回的数据太简单了
51 #出了什么问题呢？
52 #一个陌生的人打电话找你借钱，你肯定不给，，这里就涉及到网站的反爬，只会把信息返回给合法的用户，百度有反爬手段拒绝爬虫的
53 #百度的反爬手段是，在发送http请求的时候，额外带一点信息，把自己的身份带上
54 #服务器会根据身份监测 这个请求是不是合法用户发出来的，如果什么都不写，requests会自己带一个信息，告诉对端服务器，我是requests，服务器一看是个爬虫，就不返回信息给它
55 #所以我们要进行一个伪装，伪装一个请求头，，第三步的内容
56 #做好请求头之后，把这个headers作为get()的参数，然后再执行脚本，返回的信息就正常了
57
58 #获取到test信息后，现在再过一遍原理，理解一下为什么要这么干
59
60
61 #第四步：进行数据清洗
62 html = response.text
63 #divs = re.findall(r'<div class="result c-container ".*?</div>',html,re.S) #需要复习一下正则表达式
64 #re.S的作用，如果想让 正则表达式中的.去匹配不可见字符（换行、回车、空格等）就要带这个参数
65 #divs是一个列表
66 #print(divs[0])
67 '''
68 <div class="result c-container " id="1" srcid="1599" tpl="se_com_default" data-click="{'rsv_bdr':'0' ,'rsv_cd':'pt:40520|vLevel:3'}" ><h3 class="t"><a
69 data-click="{
70 'F':'778317EA',
71 'F1':'9D73F1E4',
72 'F2':'4CA6DD6B',
73 'F3':'54E5343F',
74 'T':'1525198098',
75 'y':'3FF3A3FD'
76
77 }"
78 href = "http://www.baidu.com/link?url=dQVdrt2_fgdyKqB1oMjo_CLMibztqwK8-azppn9_Zl8nwZv70cbvRBTuwE4ZqOminSBbbw2-L0Qp5s4ZLQDqujuypHKS1SD4LcOd1S3Rm2PH3Zhz5-vMq1Enkh86pgWV"
79
80 target="_blank"
81
82 ><em>程序设计</em>_百度百科</a></h3><div class="c-abstract"><span class=" newTimeFactor_before_abs m">2015年11月29日 - </span><em>程序设计</em>是给出解决特定问题程序的过程,是软件构造活动中的重要组成部分。<em>程序设计</em>往往以某种<em>程序设计</em>语言为工具,给出这种语言下的程序。<em>程序设计</em>过程...</div>
83
84 '''
85 #接下来就要获取 href 中的内容，又要写正则表达式了，就是把上边这个url补充完整
86 urls = re.findall(r'<div class="result c-container ".*?"(http://www.baidu.com/link\?url=.*?)".*?</div>',html,re.S)
87 #print(urls[0])
88 #http://www.baidu.com/link?url=zQPLyCOSZWMjz8StrMmgIX5KuIsBnYhCC7vhya7nKbfF9JLvvOqRhYQ2q742zvIzkp2mzoa2REoeaB-b0KO-fSiMlr00E-uXTupL-r2KT0K0w9AfkjCZkcytUOkZ8XQG
89
90 #打印所有的URL
91 #for url in urls:
92 # print(url)
93
94 #http://www.baidu.com/link?url=K0lSFkZ8icMPLoTxXZKvJ_3l0Vt6pVV03ddlCE8Bp37
95
96 #http://www.baidu.com/link?url=K0lSFkZ8icMPLoTxXZKvJ_3l0Vt6pVV03ddlCE8Bp37
97 #真正的url 是 url=K0lSFkZ8icMPLoTxXZKvJ_3l0Vt6pVV03ddlCE8Bp37，，如何获取这部分内容呢？
98 #这里就体现了requests的强大之处，如果是urllib的话还要处理跳转
99
100 #获取真实url 获取重定向的url
101 #for url in urls:
102 # res = requests.get(url,headers = headers)
103 # print(res.url) #这一步就获取了真实url
104
105 #http://www.bccn.net/
106
107
108 #上边数据清洗完之后就要做数据持久化了
109 #数据持久化 把数据写入到res/程序设计.txt中
110 #这种方式只能写字符串到文本中
111
112 #数据持久化 写到文本中
113 #fb = open('res\\程序设计.txt','w',encoding='utf-8')
114
115 #fb = open('res\\{}.txt'.format(key), 'a', encoding='utf-8') # 优化点3
116 #获取真实url 获取重定向的url 访问
117 #for url in urls: #为了避免同名变量的覆盖，同一个文件中尽量不要使用同名的变量
118 for b_url in urls:
119 res = requests.get(b_url,headers = headers)
120 print(res.url)
121 fb.write(res.url)
122 fb.write('\n') ##write()方法需要手动换行，还可以用writeline()替换
123
124 #fb.close()
125
126 fb.close()
127
128
129 #下一步考虑优化
130 #优化点 1 这个url被写死了，如果想爬取其他东西该怎么办呢
131 #优化点 2 防止某个url获取的过程太耗时，可以设置timeout = 10
132 #优化点 3 根据爬取关键字的不同，动态根据关键字生成不同的文件
133 #优化点 4 翻页，所有的翻页都是a标签 pn= 用for循环为pn赋值
134 #优化点 5 如果要自定义爬取关键字、爬取的页数，把上面这段代码封装成函数
135 #优化点 6 为了避免频繁打开关闭文件，把文件打开关闭操作放在for循环外
136
137
138 #如果需要同时爬取多个关键字，可以用for循环，还可以自定义每个关键字的爬取页数
139 keys = {'正则表达式':5,'美女':'10','爬虫':12}
140 for key,value in keys.items():
141 baidu_spider(key,value)
整理后的代码：
#!/user/bin/env python
# -*- coding:utf-8 -*-
# author:隔壁老王
import requests
import re
def baidu_spider(key,pn):
url = 'https://www.baidu.com/s?&rsv_spt=1&rsv_iqid=0x967855b80019cdd1&issp=1&f=8&rsv_bp=0&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=0&rsv_sug3=3&rsv_sug1=2&rsv_sug7=100&inputT=643536&rsv_sug4=644636'
fb = open('res\\{}.txt'.format(key), 'w', encoding='utf-8')
for i in range(pn):
data = {'wd':key,'pn': i * 10}
headers = {
'User-Agent':r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}
response = requests.get(url,headers = headers,params = data,timeout = 10)
html = response.text
urls = re.findall(r'<div class="result c-container ".*?"(http://www.baidu.com/link\?url=.*?)".*?</div>',html,re.S)
for b_url in urls:
res = requests.get(b_url,headers = headers)
print(res.url)
fb.write(res.url)
fb.write('\n')
fb.close()
keys = {'正则表达式':5,'爬虫':12}
for key,value in keys.items():
baidu_spider(key,value)
