python如何获取百度搜索结果的真实URL

在公司中需要去抓取一些数据,就遇到了以下这些问题:

想通过爬虫获取百度搜索结果的原始链接。通过Firefox的HttpFox插件,发现在搜索结果的URL是加密过的,例如:

http://www.baidu.com/link?url=w0Kz2y9t3Ne9YtTTkZ1M_ToY43HWy3tia4djxC8u9CC

点击链接之后,会向该链接发送GET,从服务器得到的回复中包含真实URL:http://www.python.org


想通过python爬虫模拟这个过程:
获取关键字,构造百度搜索URL(借助Firefox自带的百度搜索,构建简化的搜索链接)

  1. 通过pyquery获取页面中所有的搜索结果URL:
    [(site.attr('href'), site.text().encode('utf-8')) for site in self.page('div.result.c-container h3.t a').items()]
    //不知道这个items()方法在这里用的对不对

  2. 向加密后的URL发起GET请求,试图获得HttpFox中获取到的content

  3. 提取真实URL,进行显示

目前可以获取到页面加密后的URL(但是针对相同的一个网址每次获取的加密后URL都不同,可以理解),但是第3步获取到的页面,不是httpfox中的那个页面,而是很复杂的页面(应该是跳转之后到页面)。
尝试了requests.get()中设定参数allow_redirects=False,但是获取的回复也不是httpfox的那个content。

#!/usr/bin/python
#coding=utf-8

import re
import requests
from pyquery import PyQuery as Pq

class BaiduSearchSpider(object):
    
    def __init__(self, searchText):
        self.url = "http://www.baidu.com/baidu?wd=%s&tn=monline_4_dg" % searchText
        self.headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_3) AppleWebKit/600.5.17 (KHTML, like Gecko) Version/8.0.5 Safari/600.5.17"}
        self._page = None
    
    @property 
    def page(self):
        if not self._page:
            r = requests.get(self.url, headers=self.headers)
            r.encoding = 'utf-8'
            self._page = Pq(r.text)
        return self._page
    
    @property
    def baiduURLs(self):
        return [(site.attr('href'), site.text().encode('utf-8')) for site in self.page('div.result.c-container  h3.t  a').items()]
    
    @property    
    def originalURLs(self):
        tmpURLs = self.baiduURLs
        print tmpURLs
        originalURLs = []
        for tmpurl in tmpURLs:
            tmpPage = requests.get(tmpurl[0])
            #tmpPage.encoding = 'utf-8' #这样不好使,print的时候python报错
            tmptext = tmpPage.text.encode('utf-8')
            urlMatch = re.search(r'URL=\'(.*?)\'', tmptext, re.S)
            if not urlMatch == None:
                print urlMatch.group(1), "   ", tmpurl[1]
                originalURLs.append(tmpurl)
            else:
                print "---------------"
                print "No Original URL found!!"
                print tmpurl[0]
                print tmpurl[1]
 
        return originalURLs

searchText = raw_input("搜索内容是:") 
print searchText

bdsearch = BaiduSearchSpider(searchText) 
originalurls = bdsearch.originalURLs
print '=======Original URLs========'
print originalurls
print '============================'
通过pyquery的history属性,发现baidu这些连接大多进行了redirect(http 302),但是有一部分链接是直接获得了http200回复。对于从百度爬取的加密的url,进行requests.get()时不允许跳转(allow_redirects=False)。然后针对这两类服务器回复分别处理:
http 302跳转:从headers中的'location'可以获得原始url;
http 200回复:从content中通过正则表达式获取原始url
对上述代码中的def originalURLs(self)函数进行修改:
for tmpurl in tmpURLs:
        tmpPage = requests.get(tmpurl[0], allow_redirects=False)
        if tmpPage.status_code == 200:
            urlMatch = re.search(r'URL=\'(.*?)\'', tmpPage.text.encode('utf-8'), re.S)
            originalURLs.append((urlMatch.group(1), tmpurl[1]))
        elif tmpPage.status_code == 302:
            originalURLs.append((tmpPage.headers.get('location'), tmpurl[1]))
        else:
            print 'No URL found!!'
抓了几页,发现绝大部分url是通过302跳转的。不知道为什么httpfox上会看到好多是200OK状态的。


你可能感兴趣的:(python爬虫)