PyHacker编写URL批量采集器
时间：2022-06-10 08:27:58|栏目：Python代码|点击： 次
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"
