PyHacker编写URL批量采集器
作者:巡安似海 时间:2022-03-21 12:42:21
喜欢用Python写脚本的小伙伴可以跟着一起写一写呀。
编写环境:Python2.x
00x1:需要用到的模块
需要用到的模块如下:
import requests
import re
本文将用re正则进行讲解,如果你用Xpath也可以
00x2:选取搜索引擎
首先我们要选取搜索引擎(其他搜索引擎原理相同)
以bing为例:Cn.bing.com
首先分析bing翻页机制:
https://cn.bing.com/search?q=内容&first=0 第一页
https://cn.bing.com/search?q=内容&first=10 第二页
https://cn.bing.com/search?q=内容&first=20 第三页
页数 = First*10
分析完毕,我们来请求看一下
def req():
url = 'https://cn.bing.com/search?q=小陈&first=0'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:60.0) Gecko/20100101 Firefox/60.0'}
req = requests.get(url,headers=headers)
html = req.content
print html
Ok,没毛病
00x3:分析需要采集的url
分析需要采集的url在哪个位置
得出正则:(.*?)
正则表达式学习:(百度搜:python 正则表达式)
def reurl():
urlr = r'<cite>(.*?)</cite>'
reurl = re.findall(urlr,html)
print reurl
就在我请求第二页的时候发现了问题
可以看到请求内容和第一页一样,有某种验证机制
一般情况下验证机制,表示特定参数
经过多次测试,发现缺少 Cookie: _EDGE_V=1;
请求正常,大致已经完成
接下来只需要给关键词和页数变量就ok了
00x4:搜索
再搜索site:baidu.com 又出现了问题
于是修改正则为:
'target="_blank" href="(http.*?\..*?\..*?)" h="'
有很多我们不想要的结果,我们再来遍历下采集的urls
做一下处理
正则为:
(http[s]?://.*?)/
代码为:
def url():
for url in urls:
urlr = r'(http[s]?://.*?)/'
url = re.findall(urlr,url)
print url
print url 改为 print url[0] 再进行处理一下
可以看到下面还有重复的url,对url去重一下
def qc():#去重复
for url in url_ok:
if url in url_bing:
continue
url_bing.append(url)
00x5:自动保存
接下来我们要让他自动保存到url_bing.txt
with open('url_bing.txt','a+')as f:
for url in url_bing:
print url
f.write(url+"\n")
print "Save as url_bing.txt"
00x6:完整代码
#!/usr/bin/python
#-*- coding:utf-8 -*-
import requests
import re
urls = []
url_ok = []
url_bing=[]
def req(q,first):
global html
url = 'https://cn.bing.com/search?q=%s&first=%s'%(q,first)
print url
headers = {
'Host':'cn.bing.com',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3314.0 Safari/537.36 SE 2.X MetaSr 1.0',
'Cookie': '_EDGE_V=1;'
}
req = requests.get(url,headers=headers)
html = req.content
def reurl():#正则匹配url
urlr = r'target="_blank" href="(http.*?\..*?\..*?)" h="'
reurl = re.findall(urlr,html)
for url in reurl:
if url not in urls:
urls.append(url)
def url():#url二次处理
for url in urls:
urlr = r'(http[s]?://.*?)/'
url = re.findall(urlr,url)
url_ok.append(url[0])
def qc():#去重复
for url in url_ok:
if url in url_bing:
continue
url_bing.append(url)
if __name__ == '__main__':
q = raw_input('\nkey:')
page = input('page:')
for first in range(0, page):
req(q, first * 10)
reurl()
url()
qc()
with open('url_bing.txt','a+')as f:
for url in url_bing:
print url
f.write(url+"\n")
print "Save as url_bing.txt"
来源:https://www.cnblogs.com/look-word/p/16269739.html
标签:URL,批量采集,PyHacker
0
投稿
猜你喜欢
Python pytesseract验证码识别库用法解析
2023-06-13 19:04:02
详解Python类和对象内容
2021-03-12 23:38:55
Flask 入门系列 Cookie与session的介绍
2022-06-21 00:45:44
python中pandas.DataFrame的简单操作方法(创建、索引、增添与删除)
2021-05-15 16:25:58
Scrapy 配置动态代理IP的实现
2023-12-10 19:06:22
以tensorflow库为例讲解Pycharm中如何更新第三方库
2022-10-18 09:53:27
利用Python编写个冷笑话生成器
2021-05-10 15:13:20
Python实现获取汉字偏旁部首的方法示例【测试可用】
2022-10-26 16:42:16
用Python编写简单的定时器的方法
2022-03-15 07:20:32
python从ftp获取文件并下载到本地
2021-06-28 17:08:31
Python中的套接字编程是什么?
2021-02-28 12:46:01
python超详细实现完整学生成绩管理系统
2022-08-25 08:59:08
jQuery性能优化指南[译]
2009-05-12 11:54:00
Python对XML文件实现增删改查操作
2023-11-19 20:42:03
从外到内提高SQL Server数据库性能
2009-01-22 14:12:00
约瑟夫问题的Python和C++求解方法
2023-12-05 15:09:28
python做图片搜索引擎并保存到本地详情
2021-08-27 01:42:33
python获取文件路径、文件名、后缀名的实例
2022-05-05 10:47:27
使用Python制作自动推送微信消息提醒的备忘录功能
2023-02-26 18:19:40
如何使用python爬取知乎热榜Top50数据
2021-11-13 05:47:09