python 抓取百度搜索名称和路径

最新推荐文章于 2024-07-29 21:31:04 发布

TimerBin

最新推荐文章于 2024-07-29 21:31:04 发布

阅读量615

点赞数

CC 4.0 BY-SA版权

分类专栏： Python 文章标签：抓取百度搜索名称和路径 pyton

本文链接：https://blog.youkuaiyun.com/TimerBin/article/details/84823799

Python 专栏收录该内容

2 篇文章

订阅专栏

python 新手笔记：利用python，根据搜索关键字，抓取其结果的名称和路径。

一、百度搜索参数介绍

pn ：抓取第几页内容

cl ：搜索的类型 3 为网页搜索 2为新闻搜索

wd ：搜索关键字

rn ：需要搜索多少条结果

详情可参阅：http://blog.sina.com.cn/s/blog_3e28c8a50102v0ck.html

二、定义pthon函数

# coding: UTF-8
import urllib.request 
import urllib.parse
import re

# 查询名称   查询条数
def findBaiduUrlList(searchName,number):
    #定义百度搜索请求URL
    url="http://www.baidu.com/s?pn=0&cl=3&rn="+str(number)
    #将中文进行URL编码
    url = url +"&wd="+urllib.parse.quote(searchName)
    #发起request请求，并获取返回结果
    response = urllib.request.urlopen(url)
    #将返回结果进行转换成UTF-8转码
    html = response.read().decode('utf-8')
    #定义截取字符串正则表达式
    splitPattern = re.compile(r'<h3 \D*">')
    requestList = re.split(splitPattern,html)
    
    myUrl=[]
    for c in requestList:
        #清楚换行和前后空格
        c=trim(c)
        if c.startswith('<a') :
            #定义返回结果
            urlObj = ['','']
            urlPattern = re.compile(r'http://www.baidu.com/link.{0,300}target="_blank"')
            urlsMatch = urlPattern.search(c) 
            if urlsMatch: 
                urlObj[1]= trims(urlsMatch.group())            
            
            namePattern = re.compile(r'target="_blank"\s*>.{0,40}</a>')
            nameMatch = namePattern.search(c) 
            if nameMatch: 
                urlObj[0] = trims(nameMatch.group())
            
            myUrl.append(urlObj)
            
        else:
            c = ''
    return myUrl
        
#清除无用字符信息
def trims(str):
    str = str.strip('target="_blank"')
    str = str.replace('<em>','').replace('</em>','').replace('</a>','')
    str = str.replace('>','').replace('"','').replace(' ','').replace('	','')
    return trim(str)
#清除换行和前后空格
def trim(str):
    str = str.replace('\n','').strip()
    return str

python正则表达式可参阅：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

三、调用代码

myUrl = findBaiduUrlList('timerbin',1)

for c in myUrl:
    print(c)

四、输出结果

['返回链接名称'，'链接地址']

['TimerBin的博客-ITeye技术网站', 'http://www.baidu.com/link?url=Rvj1VAmkb6527AEXIMQnSKSRFvy4jT0BAYnHjw3Gu4npAccEysMnyRi0fj3Ziwqr']