python实现提取百度搜索结果的方法

作者:MXi4oyu 时间:2021-05-13 20:27:21 

本文实例讲述了python实现提取百度搜索结果的方法。分享给大家供大家参考。具体实现方法如下:


# coding=utf8
import urllib2
import string
import urllib
import re
import random
#设置多个user_agents,防止百度限制IP
user_agents = ['Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20130406 Firefox/23.0', \
   'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:18.0) Gecko/20100101 Firefox/18.0', \
   'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/533+ \
   (KHTML, like Gecko) Element Browser 5.0', \
   'IBM WebExplorer /v0.94', 'Galaxy/1.0 [en] (Mac OS X 10.5.6; U; en)', \
   'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0)', \
   'Opera/9.80 (Windows NT 6.0) Presto/2.12.388 Version/12.14', \
   'Mozilla/5.0 (iPad; CPU OS 6_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) \
   Version/6.0 Mobile/10A5355d Safari/8536.25', \
   'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) \
   Chrome/28.0.1468.0 Safari/537.36', \
   'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.0; Trident/5.0; TheWorld)']
def baidu_search(keyword,pn):
 p= {'wd': keyword}
 res=urllib2.urlopen(("http://www.baidu.com/s?"+urllib.urlencode(p)+"&pn={0}&cl=3&rn=100").format(pn))
 html=res.read()
 return html
def getList(regex,text):
 arr = []
 res = re.findall(regex, text)
 if res:
   for r in res:
     arr.append(r)
 return arr
def getMatch(regex,text):
 res = re.findall(regex, text)
 if res:
   return res[0]
 return ""
def clearTag(text):
 p = re.compile(u'<[^>]+>')
 retval = p.sub("",text)
 return retval
def geturl(keyword):
 for page in range(10):
   pn=page*100+1
   html = baidu_search(keyword,pn)
   content = unicode(html, 'utf-8','ignore')
   arrList = getList(u"<table.*?class=\"result\".*?>.*?<\/a>", content)
   for item in arrList:
     regex = u"<h3.*?class=\"t\".*?><a.*?href=\"(.*?)\".*?>(.*?)<\/a>"
     link = getMatch(regex,item)
     url = link[0]
     #获取标题
     #title = clearTag(link[1]).encode('utf8')
     try:
       domain=urllib2.Request(url)
       r=random.randint(0,11)
       domain.add_header('User-agent', user_agents[r])
       domain.add_header('connection','keep-alive')
       response=urllib2.urlopen(domain)
       uri=response.geturl()
       print uri
     except:
       continue
if __name__=='__main__':
 geturl('python')

希望本文所述对大家的Python程序设计有所帮助。

标签:python,百度
0
投稿

猜你喜欢

  • 详解Python单元测试的两种写法

    2023-02-13 06:04:20
  • Python处理mat文件的三种方式小结

    2022-01-21 23:04:30
  • php在linux环境中如何使用redis详解

    2023-06-14 23:38:30
  • SQL中位数函数实例

    2024-01-25 17:21:55
  • Windows Server 2019 MySQL数据库的安装与配置理论+远程连接篇

    2024-01-18 21:19:56
  • MySQL日志维护策略汇总

    2024-01-26 18:11:53
  • django使用django-apscheduler 实现定时任务的例子

    2021-06-09 05:10:44
  • MySQL数据库的触发器的使用

    2024-01-19 07:17:37
  • perl控制流介绍(if条件,while,for循环,foreach)

    2023-02-13 16:33:34
  • 原生js实现查找/添加/删除/指定元素的class

    2024-04-18 09:44:46
  • 如何正确的解决 MySQL中忽略用户的现象

    2008-11-27 16:00:00
  • vue调用高德地图实例代码

    2024-06-07 15:20:47
  • JS 中如何判断 null

    2007-12-13 20:28:00
  • Python 类的继承实例详解

    2021-04-30 15:54:09
  • Go语言切片前或中间插入项与内置copy()函数详解

    2024-05-22 10:16:19
  • Python psutil模块简单使用实例

    2023-08-10 21:15:37
  • pytorch 常用函数 max ,eq说明

    2023-06-25 11:09:21
  • Python数据分析之缺失值检测与处理详解

    2021-10-04 01:09:08
  • Python利用matplotlib.pyplot.boxplot()绘制箱型图实例代码

    2022-11-18 05:08:26
  • PHP实现手机归属地查询API接口实现代码

    2023-11-14 09:10:33
  • asp之家 网络编程 m.aspxhome.com