PyHacker编写URL批量采集器
目录
- 00x1:需要用到的模块
- 00x2:选取搜索引擎
- 00x3:分析需要采集的url
- 00x4:搜索
- 00x5:自动保存
- 00x6:完整代码
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"
以上就是PyHacker编写URL批量采集器的详细内容,更多关于PyHacker批量采集URL的资料请关注我们其它相关文章!
赞 (0)