百度搜索引擎和必应搜索引擎搜索内容简单爬取Python

最新推荐文章于 2025-06-16 17:23:19 发布

原创最新推荐文章于 2025-06-16 17:23:19 发布 · 1.3w 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#python #chrome #百度 #搜索 #搜索引擎

python爬虫学习专栏收录该内容

7 篇文章

订阅专栏

本文分享了使用Python实现百度搜索爬虫的过程，包括所需库的介绍、如何伪装浏览器、构造搜索URL及抓取解析页面内容等关键技术点。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这个博客用于记录我的计算机学习的路途，本文用于记录Python百度搜索爬虫编写过程。

第一步本程序所用的python库

1，requests 用于GET网页返回的信息，这个库比较重要。可以用来模拟浏览器的GET和POST，伪装浏览器，成功爬取内容。比起urllib和urllib2要有很大的简便性。

2，lxml中的etree可以通过xpath获取爬取到的内容的特定部分。配合chrome使用会更好（chrome中有自带的可以获取xpath的工具。）

第二步设计爬虫伪装浏览器

1，以下是一个头的简单示例。

    headers = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate, compress',
        'Accept-Language': 'en-us;q=0.5,en;q=0.3',
        'Cache-Control': 'max-age=0',
        'Connection': 'keep-alive',
        'User-Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:22.0) Gecko/20100101 Firefox/22.0'
        }

2，可以获取代理IP（我没有用）

第三步观察百度搜索的url，获取最初的url（word为要搜索的关键词）

    baiduurl = 'http://www.baidu.com'
    url = 'http://www.baidu.com.cn/s?wd=' + word + '&cl=3'

第四步爬取内容并解析

    html = requests.get(url=url,headers=headers)
    path = etree.HTML(html.content)

下面是抓取部分代码

        for i in range(1, flag):
            sentence = ""
            for j in path.xpath('//*[@id="%d"]/h3/a//text()'%((k-1)*10+i)):
                sentence+=j
            print sentence
            list.append(sentence)

谢谢大家

【github传送门1 百度爬虫】https://github.com/gongpx20069/BaiduSpider

【github传送门2 Bing爬虫】https://github.com/gongpx20069/BingSpider