python 新手笔记:利用python,根据搜索关键字,抓取其结果的名称和路径。
一、百度搜索参数介绍
pn :抓取第几页内容
cl :搜索的类型 3 为网页搜索 2为新闻搜索
wd :搜索关键字
rn :需要搜索多少条结果
详情可参阅:http://blog.sina.com.cn/s/blog_3e28c8a50102v0ck.html
二、定义pthon函数
# coding: UTF-8
import urllib.request
import urllib.parse
import re
# 查询名称 查询条数
def findBaiduUrlList(searchName,number):
#定义百度搜索请求URL
url="http://www.baidu.com/s?pn=0&cl=3&rn="+str(number)
#将中文进行URL编码
url = url +"&wd="+urllib.parse.quote(searchName)
#发起request请求,并获取返回结果
response = urllib.request.urlopen(url)
#将返回结果进行转换成UTF-8转码
html = response.read().decode('utf-8')
#定义截取字符串正则表达式
splitPattern = re.compile(r'<h3 \D*">')
requestList = re.split(splitPattern,html)
myUrl=[]
for c in requestList:
#清楚换行和前后空格
c=trim(c)
if c.startswith('<a') :
#定义返回结果
urlObj = ['','']
urlPattern = re.compile(r'http://www.baidu.com/link.{0,300}target="_blank"')
urlsMatch = urlPattern.search(c)
if urlsMatch:
urlObj[1]= trims(urlsMatch.group())
namePattern = re.compile(r'target="_blank"\s*>.{0,40}</a>')
nameMatch = namePattern.search(c)
if nameMatch:
urlObj[0] = trims(nameMatch.group())
myUrl.append(urlObj)
else:
c = ''
return myUrl
#清除无用字符信息
def trims(str):
str = str.strip('target="_blank"')
str = str.replace('<em>','').replace('</em>','').replace('</a>','')
str = str.replace('>','').replace('"','').replace(' ','').replace(' ','')
return trim(str)
#清除换行和前后空格
def trim(str):
str = str.replace('\n','').strip()
return str
python正则表达式可参阅:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html
三、调用代码
myUrl = findBaiduUrlList('timerbin',1)
for c in myUrl:
print(c)
四、输出结果
['返回链接名称','链接地址']
['TimerBin的博客-ITeye技术网站', 'http://www.baidu.com/link?url=Rvj1VAmkb6527AEXIMQnSKSRFvy4jT0BAYnHjw3Gu4npAccEysMnyRi0fj3Ziwqr']