python爬虫爬取百度搜索结果,Bob blog

前面一篇聊了一些基础的概念，在这篇里可以试一下基础的搜索和收集内容。

当我们在用百度搜索时，我们会看到很多相关的信息。于是我们可以用爬虫来帮助我们搜索和收集相关的信息。

比如我想查看百度收录的stackoverflow里爬虫相关的内容的前十条，打开浏览器比如firefox或chrome，按F12打开dev tool，再输入百度的地址访问并搜索时，在network tab下我们能看到请求的详细信息，如下图。当了解了这个过程和一些参数，我们便可以模拟这个过程。

首先我们先用requests库来封装一下http的get。

# in utils

import requests

class HttpHelper:

default_headers = {"Content-type": "text/html; charset=UTF-8"}

@classmethod

def get_response_by_url(cls, url, data=None, headers={}):

headers = dict(cls.default_headers, **headers)

if data:

result = requests.get(url, headers=headers, params=data)

else:

result = requests.get(url, headers=headers)

return result

前面看到当我们搜索后的地址很长，是

"https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=%E7%88%AC%E8%99%AB%20site%3Astackoverflow.com&rsv_pq=e46a4ffd003d9ffd&rsv_t=b750PbHmT1mgiHfW6V8XLz6XgZ4BNsjAOvxidQN%2FXv%2BmzkQDG%2B%2BL%2B7lxyUo&rqlang=cn&rsv_enter=1&rsv_dl=ib&rsv_sug3=38&rsv_sug1=9&rsv_sug7=101&rsv_sug2=0&inputT=10432&rsv_sug4=13294"

我们实际用不了那么多的参数。比如我们的关键词是: 爬虫和stackoverflow，只要找到这两个关键词，把其他无关的去掉，那么url就变成了

"https://www.baidu.com/s?wd=%E7%88%AC%E8%99%AB%20site%3Astackoverflow.com"

我们干脆也装成用firefox来访问(当然加这个并不能欺骗服务器，很容易被排查出来。完全伪装则放在后面讲)，并把返回的内容转成中文编码，再存储到文件里看看。如下。

# -*- coding: utf-8 -*-

url = "https://www.baidu.com/s?wd=%E7%88%AC%E8%99%AB%20site%3Astackoverflow.com"

additional_header = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.14; rv:71.0) Gecko/20100101 Firefox/71.0"} # 把firefox的agent换进去

response = HttpHelper.get_response_by_url(url, data=None, headers=additional_header)

print(response.status_code) # 得到状态码200，表示获取成功

with open("./temp/baidu.html", "w") as f:

f.write(response.content.decode('utf-8')) # 存储内容

打开保存的文件，会发现只包含了html，没有样式，因为没有请求其他文件。

另外如果想获得更多的结果怎么办？其实类似我们去点击下一页一样。我们看到url有变化，多了&pn=10. 这个就是进入下一页的意思，因为百度默认一页展示10个结果。如果我们设置pn=2，那么第一页展示的结果就会从第三个开始。

我们通过设置不同的url就能获取不同的展示结果。我们还可以通过解析返回数据是否包含下一页，来设定循环获取所有结果。对于一些会返回json数据包含了长度的，那么就更方便了。

接下来我们就需要解析文件，获得我们想要的信息。放在下一篇讲。