使用python解析百度搜索结果
2011-10-29 04:14
615 查看
想与大家分享一个网页解析的方法。
我尝试过多种方法来解析百度搜索结果,比如pyquery, lxml, beautifulsoup等,今天发现,这些方法都不太好, 如果baidu把页面结构变化一下,可能就不起作用了。 这些页面解析库使用起来也挺麻烦。
我今天借鉴了网上的写法,觉得这个idea很不错。 我们可以用正则先把所有的链接找出来,
然后筛选掉不合乎标准的链接。下面是我的代码,可以提取前100个或者前10个百度搜索结果。 您也可以在下面的链接中下载源代码。
http://www.ueseo.org/download/python/BaiduResult.py
#!/usr/bin/env python
# -*- coding: utf-8 -*-
'''
百度关键词排名
By Jibo He @ ueseo.org
hejibo@ueseo.org
26 Oct, 2011
http://www.ueseo.org/download/python/BaiduResult.py
'''
import sys
import urllib ,urllib2
import re
def getNakedDomain(url):
'''
return the naked domain based on url
'''
if url.startswith('http://'):
url=url[7:]
if url.startswith('www.'):
url=url[4:]
if "/" in url:
url =url[0:url.find('/')]
return url
def baidu100(w):
url= "http://www.baidu.com/s?"
values = {
"w":w.encode('gbk','ignore')
}
data = urllib.urlencode(values)
newurl = url + data+"&rn=100"
response = urllib2.urlopen(newurl)
the_page = response.read().decode('gbk','ignore')
return the_page
def baidu10(w):
url= "http://www.baidu.com/s?"
values = {
"w":w.encode('gbk','ignore')
}
data = urllib.urlencode(values)
newurl = url + data
response = urllib2.urlopen(newurl)
the_page = response.read().decode('gbk','ignore')
return the_page
def ResultLinksFilter(data,mysite):
o = re.compile('''href="(.+?)"''')
f = o.findall(data)
line = 1
isInFirst100 = False
for ff in f:
if not re.search("baidu",ff) and not re.search("bing",ff) and ff.startswith('http://'):
if getNakedDomain(mysite) in ff:
isInFirst100 = True
break
#print "******* " ,line ,ff
#print line ,ff
line += 1
if isInFirst100:
return isInFirst100,line,ff
else:
return isInFirst100,-1,'-1'
if __name__ == "__main__":
mysite = 'pconline.com.cn'
keyword='手机'
mysite = 'http://www.ueseo.org'
mysite = 'http://ueseo.org'
mysite = 'http://blog.ueseo.org'
#mysite = 'http://bbs.ueseo.org'
keyword='ueseo'
keyword='优异搜索'
data = baidu100(keyword.decode('utf-8'))
isInFirst100,line,link =ResultLinksFilter(data,mysite)
print line,link
---------------------------
He Jibo
Department of Psychology,
Beckman Institute for Advanced Science and Technology
University of Illinois, Urbana Champaign,
603 East Daniel St.,
Champaign, IL 61820
website: www.hejibo.info
我尝试过多种方法来解析百度搜索结果,比如pyquery, lxml, beautifulsoup等,今天发现,这些方法都不太好, 如果baidu把页面结构变化一下,可能就不起作用了。 这些页面解析库使用起来也挺麻烦。
我今天借鉴了网上的写法,觉得这个idea很不错。 我们可以用正则先把所有的链接找出来,
然后筛选掉不合乎标准的链接。下面是我的代码,可以提取前100个或者前10个百度搜索结果。 您也可以在下面的链接中下载源代码。
http://www.ueseo.org/download/python/BaiduResult.py
#!/usr/bin/env python
# -*- coding: utf-8 -*-
'''
百度关键词排名
By Jibo He @ ueseo.org
hejibo@ueseo.org
26 Oct, 2011
http://www.ueseo.org/download/python/BaiduResult.py
'''
import sys
import urllib ,urllib2
import re
def getNakedDomain(url):
'''
return the naked domain based on url
'''
if url.startswith('http://'):
url=url[7:]
if url.startswith('www.'):
url=url[4:]
if "/" in url:
url =url[0:url.find('/')]
return url
def baidu100(w):
url= "http://www.baidu.com/s?"
values = {
"w":w.encode('gbk','ignore')
}
data = urllib.urlencode(values)
newurl = url + data+"&rn=100"
response = urllib2.urlopen(newurl)
the_page = response.read().decode('gbk','ignore')
return the_page
def baidu10(w):
url= "http://www.baidu.com/s?"
values = {
"w":w.encode('gbk','ignore')
}
data = urllib.urlencode(values)
newurl = url + data
response = urllib2.urlopen(newurl)
the_page = response.read().decode('gbk','ignore')
return the_page
def ResultLinksFilter(data,mysite):
o = re.compile('''href="(.+?)"''')
f = o.findall(data)
line = 1
isInFirst100 = False
for ff in f:
if not re.search("baidu",ff) and not re.search("bing",ff) and ff.startswith('http://'):
if getNakedDomain(mysite) in ff:
isInFirst100 = True
break
#print "******* " ,line ,ff
#print line ,ff
line += 1
if isInFirst100:
return isInFirst100,line,ff
else:
return isInFirst100,-1,'-1'
if __name__ == "__main__":
mysite = 'pconline.com.cn'
keyword='手机'
mysite = 'http://www.ueseo.org'
mysite = 'http://ueseo.org'
mysite = 'http://blog.ueseo.org'
#mysite = 'http://bbs.ueseo.org'
keyword='ueseo'
keyword='优异搜索'
data = baidu100(keyword.decode('utf-8'))
isInFirst100,line,link =ResultLinksFilter(data,mysite)
print line,link
---------------------------
He Jibo
Department of Psychology,
Beckman Institute for Advanced Science and Technology
University of Illinois, Urbana Champaign,
603 East Daniel St.,
Champaign, IL 61820
website: www.hejibo.info
相关文章推荐
- python使用get在百度搜索并保存第一页搜索结果
- 解析百度搜索结果页面的python脚本(Linux/Win都可以运行)
- 分别使用Python和Java抓取百度搜索结果
- python使用get在百度搜索并保存第一页搜索结果
- python3爬取百度搜索结果url,获得真实url,提取网页正文并分词,多进程的使用
- python使用get在百度搜索并保存第一页搜索结果
- 【Python学习笔记】利用Python爬取百度搜索结果
- python 抓取百度搜索结果的快照排名信息
- 解析百度搜索结果链接的url,获取真正的url
- Delphi实现解析百度搜索结果link?url=
- Python实现抓取百度搜索结果页的网站标题信息
- python 抓百度招聘信息,将搜索结果解析下来,用来跟踪招聘趋势数据,免费数据变为有用的东东
- 用google工具栏搜索结果转到百度?(更新,使用OpenDNS已解决)
- python爬取百度搜索结果
- Python抓取百度搜索结果
- 使用BeautifulSoup爬虫程序获取百度搜索结果的标题和url示例
- Python爬虫爬取百度搜索结果——邮箱地址
- 解析百度搜索结果链接的url,获取真正的url
- python爬虫(11)身边的搜索专家——获取百度搜索结果
- python,抓取百度搜索结果