Python3网络爬虫--爬取百度搜索结果（附源码）_爬取百度文库的python源码

今天更新一篇基础，使用Python爬取百度搜索结果，最后将爬取结果保存到txt文本文件中。

一．准备工作

1．工具

1.Google Chrom浏览器
2.Xpath Helper
3.Pycharm 开发工具
4.Python3.x

二．思路

1.爬虫思路

2.数据抽取思路

1. 确定目标
   在搜索框输入关键字，蓝色框的文字以及对应链接是我们爬取的目标
2. 开发者工具定位元素属性
   F12打开开发者工具，发现所有目标元素都在id=“content_left”标签里面，单个搜索结果在class=“result c-container new-pmd”中，搜索结果的标题和链接都在./h3/a中，分析清楚后，去写xpath就行了。
   
3. 翻页页码规律1
   由于我们是将所有搜索结果全部爬取，所以一定要翻页的
   通过观察能发现，我们每点一次下一页> url中的pn参数会 +10比如第二页：
   
   第二页pn=10 第三页 pn=20 第四页 pn=30，那么第N页，pn=(N-1)*10。
4. 翻页规律2
   分析了页码规律，还不算完，还要确定是否有下一页> ，我们可以手动翻页，或者手动修改"pn"参数，到最大页码，这里发现，当我们翻到76页（pn=75）时下一页> 按钮，消失了。
   
5. 确定翻页标志
   这样就好弄了，直接判断页面上有没有下一页>这个元素即可：
   
   这里我们发现这个元素在id="page"的div下的div下的最后一个a标签的文本中，xpath可以这样写：

//div[@id=“page”]/div/a[last()]/text()

三．源代码

crawl_baidu_search_result.py

#-*-coding:utf-8-*-
import requests
from lxml import etree
import time
class BaiDu_Spider(object):
    def __init__(self,keyword):
        self.base_url='https://www.baidu.com/s?wd={}'
        self.keyword=keyword
        self.url=self.base_url.format(self.keyword)+'&pn={}&ie=utf-8'


    def get_html(self,page):
        headers={
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36'
        }
        try:
            r=requests.get(self.url.format(page),headers=headers)
            r.encoding='utf-8'
            res=etree.HTML(r.text)
            selector=res.xpath('//div[@id="content_left"]/div[@class="result c-container new-pmd"]')
            data_list=[]
            for data in selector:
                item={}
                item['title']=''.join(data.xpath('./h3/a/text()'))
                item['link']=''.join(data.xpath('./h3/a/@href'))
                data_list.append(item)
            flag=res.xpath('//div[@id="page"]/div/a[last()]/text()')
            print(flag)
            if flag:
                return data_list,True
            else:
                return data_list,False
        except:
            pass

    def save_data(self,item):
        with open(crawl_result,'a',encoding='utf-8')as f:
            data=item['title']+'\t'+item['link']
            print(data)
            f.write(data+'\n')
def main():
    n=10
    while True:
        data_list,flag=spider.get_html(n)
        for data in data_list:
            spider.save_data(data)
        time.sleep(1)
        if flag is True:
            n+=10
        else:
            print(f'程序已经退出，在{int(n/10)+1}页......')
            break


if __name__ == '__main__':
    keyWord='Python'
    crawl_result=f'./crawl_{keyWord}.txt'
    spider=BaiDu_Spider(keyWord)
    main()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

四．结果

五．总结

本次内容比较基础，是对静态网页进行数据提取，主要依赖xpath。百度存在访问频率限制的反爬，所以加入了一秒的延时。

xpath的定位方法可以参考

xpath定位中详解id 、starts-with、contains、text()和last() 的用法

欢迎大家提出自己的看法，思路、代码方面有什么不足欢迎各位大佬指正、批评！