python 爬取google总结

最新推荐文章于 2024-07-04 18:29:30 发布

柳柳的博客

最新推荐文章于 2024-07-04 18:29:30 发布

阅读量5.6k

点赞数 4

分类专栏：反扒文章标签： python 爬虫 chrome

本文链接：https://blog.csdn.net/weixin_40303822/article/details/121265233

版权

反扒专栏收录该内容

7 篇文章 2 订阅

订阅专栏

1.问题
目前主流的搜索引擎，非google莫属，但其对于非法（流量异常、爬虫）请求的封锁也是异常严厉

本人前段时间有个脚本用到了谷歌搜索，具体见python之由公司名推算出公司官网(余弦相似度)当时直接使用的是一个python开源项目

但在使用过程中，单ip的情况下爬取速度可谓感人，稍不留神还会被封，所以对于获取谷歌搜索结果的爬虫有必要进行改进

说一说爬取谷歌搜索结果的问题：

1.正常打开谷歌搜索，然后审查元素想获取目标内容的时候，会发现是一大串js。
2.访问过快就会出现流量异常
2.如何解决
对于第一个问题：

应该有看到审查元素出来的都是js，然后检索的url是这样的：

https://www.google.com.hk/search?q=hello&oq=hello&aqs=chrome…69i57j69i60l2j69i65j69i60j0.876j0j7&sourceid=chrome&ie=UTF-8&google_abuse=GOOGLE_ABUSE_EXEMPTION%3DID%3Daa946d8c657cf359:TM%3D1484917472:C%3Dr:IP%3D118.193.241.44-:S%3DAPGng0tGiKFaIr7YCaivUEmmEHOYJhG4jg%3B+path%3D/%3B+domain%3Dgoogle.com%3B+expires%3DFri,+20-Jan-2017+16:04:32+GMT

这里解决办法很粗暴，禁止掉js就好，让我们看看禁止js后是什么样的：

然后再看url： https://www.google.com.hk/search?q=hello&btnG=Search&safe=active&gbv=1

对于这个url，相信机智的你应该会明白些什么

这里可以写个简单的脚本，比如说获取，谷歌搜索第一页所有结果的html，简单写下：

URL_SEARCH = "https://{domain}/search?hl={language}&q={query}&btnG=Search&gbv=1"
URL_NUM = "https://{domain}/search?hl={language}&q={query}&btnG=Search&gbv=1&num={num}"

def search_page(query, language='en', num=None, start=0, pause=2):
    """
    Google search
    :param query: Keyword
    :param language: Language
    :return: result
    """
    time.sleep(pause)
    domain = self.get_random_domain()
    if num is None:
        url = URL_SEARCH
        url = url.format(
            domain=domain, language=language, query=quote_plus(query))
    else:
        url = URL_NUM
        url = url.format(
            domain=domain, language=language, query=quote_plus(query), num=num)
    try:
        requests.packages.urllib3.disable_warnings(InsecureRequestWarning)
        r = requests.get(url=url,
                         allow_redirects=False,
                         verify=False,
                         timeout=30)
        charset = chardet.detect(r.content)
        content = r.content.decode(charset['encoding'])
        return content
    except Exception as e:
        logging.error(e)
        return None

到了这里，问题才刚开始，你可以做个实验，我假设你是使用代理进行谷歌搜索，如果你连续不断无间隔使用谷歌搜索某一关键字二三十下，不出意外你会被要求进行这样的验证：

这个问题可真是让人十分厌恶，我并没有很好的解决办法，能做的唯有尽量避免：

1.ip轮询 2.每次结果爬取增加休眠 3.随机user_agent是必备

第一点和第三点不必多说，对于第二点增加休眠时间则需要我们好好地进行检测。假设在单ip随机ua情况下：

1.这种情况下不休眠的话请求个两三次就会直接被封（第二天会被解封）
2.个人觉得这不是个解决办法，因为对休眠时间把控不好的话就会造成封ip，如果不想被封，我测试的话需要休眠60s浮动，这没什么意义
3.而且这种情况下发现是直接封ip，对开发者太不友好
对于这种情况，受同事神来一句，发现一个暂时的解决办法，请看下图：

单一ip不停地访问统一谷歌域名自然很容易被察觉，谷歌全球190+的域名，难道都在实时的统计ip么，可能有，但绝对不会像单域名那样严格，来做个测试。

我将全球190+谷歌域名集中起来，像ua一样随机轮换，然后进行测试(单ip)，结果还不错：

1.首先没有出现被封ip，只会提示流量异常
2.还是需要休眠，本人休眠5_{15s没有被封过，可根据自身情况来，如果想稳妥点就5}30s吧
我将这些写成了一个项目，magic_google-python，若你是phper，可以看看我写的php版本php-google，具体代码可以看这里，对应的功能很简单：

from magic_google import MagicGoogle
import pprint

Or PROXIES = None

PROXIES = [{
‘http’: ‘http://192.168.2.207:1080’,
‘https’: ‘http://192.168.2.207:1080’
}]

Or MagicGoogle()

mg = MagicGoogle(PROXIES)

Crawling the whole page

result = mg.search_page(query=‘python’)

Crawling url

for url in mg.search_url(query=‘python’):
pprint.pprint(url)

Output

‘https://www.python.org/’

‘https://www.python.org/downloads/’

‘https://www.python.org/about/gettingstarted/’

‘https://docs.python.org/2/tutorial/’

‘https://docs.python.org/’

‘https://en.wikipedia.org/wiki/Python_(programming_language)’

‘https://www.codecademy.com/courses/introduction-to-python-6WeG3/0?curriculum_id=4f89dab3d788890003000096’

‘https://www.codecademy.com/learn/python’

‘https://developers.google.com/edu/python/’

‘https://learnpythonthehardway.org/book/’

‘https://www.continuum.io/downloads’

Get {‘title’,‘url’,‘text’}

for i in mg.search(query=‘python’, num=1):
pprint.pprint(i)

Output

{‘text’: ‘The official home of the Python Programming Language.’,

‘title’: ‘Welcome to Python .org’,

‘url’: ‘https://www.python.org/’}

3.总结
对google搜索结果的爬取，有以下建议：

1.ip轮询
2.ua随机
3.domain随机
4.休眠

user_agent总结：
self._user_agent = [‘Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0’,
‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)’,
‘Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)’,
‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1’,
‘Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1’,
‘Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11’,
‘Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11’,
‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)’,
‘Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5’,
‘Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5’,
‘Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5’,
‘Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1’,
‘MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1’,
‘Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10’,
‘Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13’,
‘Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+’,
‘Mozilla/5.0 (hp-tablet; Linux; hpwOS/3.0.0; U; en-US) AppleWebKit/534.6 (KHTML, like Gecko) wOSBrowser/233.70 Safari/534.6 TouchPad/1.0’,
‘Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18124’,
‘Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)’,
‘UCWEB7.0.2.37/28/999’,
‘NOKIA5700/ UCWEB7.0.2.37/28/999’,
‘Openwave/ UCWEB7.0.2.37/28/999’,
‘Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999’,
‘Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; InfoPath.2; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727; 360SE)’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0)’,
‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11’,
‘Mozilla/5.0 (Linux; U; Android 2.2.1; zh-cn; HTC_Wildfire_A3333 Build/FRG83D) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1’,
‘Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50’,
‘Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; TencentTraveler 4.0; .NET CLR 2.0.50727)’,
‘MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1’,
‘Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1’,
‘Mozilla/5.0 (Androdi; Linux armv7l; rv:5.0) Gecko/ Firefox/5.0 fennec/5.0’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)’,
‘Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)’,
‘Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11’,
‘Opera/9.80 (Android 2.3.4; Linux; Opera mobi/adr-1107051709; U; zh-cn) Presto/2.8.149 Version/11.10’,
‘UCWEB7.0.2.37/28/999’,
‘NOKIA5700/ UCWEB7.0.2.37/28/999’,
‘Openwave/ UCWEB7.0.2.37/28/999’,
‘Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999’ ]

google域名总结：
self.domain = [
‘https://www.google.com/’,
‘https://www.google.ad/’,
‘https://www.google.ae/’,
‘https://www.google.com.af/’,
‘https://www.google.com.ag/’,
‘https://www.google.com.ai/’,
‘https://www.google.al/’,
‘https://www.google.am/’,
‘https://www.google.co.ao’,
‘https://www.google.com.ar/’,
‘https://www.google.as/’,
‘https://www.google.at/’,
‘https://www.google.com.au/’,
‘https://www.google.az/’,
‘https://www.google.ba/’,
‘https://www.google.com.bd/’,
‘https://www.google.be/’,
‘https://www.google.bf/’,
‘https://www.google.bg/’,
‘https://www.google.com.bh/’,
‘https://www.google.bj/’,
‘https://www.google.com.bn/’,
‘https://www.google.com.bo’,
‘https://www.google.com.br/’,
‘https://www.google.bs/’,
‘https://www.google.at/’,
‘https://www.google.bt/’,
‘https://www.google.co.bw/’,
# ‘https://www.google.by/’,
‘https://www.google.com.bz/’,
]

柳柳的博客

关注

4
点赞
踩
21

收藏

觉得还不错? 一键收藏
0
评论
python 爬取google总结

1.问题目前主流的搜索引擎，非google莫属，但其对于非法（流量异常、爬虫）请求的封锁也是异常严厉本人前段时间有个脚本用到了谷歌搜索，具体见python之由公司名推算出公司官网(余弦相似度)当时直接使用的是一个python开源项目但在使用过程中，单ip的情况下爬取速度可谓感人，稍不留神还会被封，所以对于获取谷歌搜索结果的爬虫有必要进行改进说一说爬取谷歌搜索结果的问题：1.正常打开谷歌搜索，然后审查元素想获取目标内容的时候，会发现是一大串js。2.访问过快就会出现流量异常2.如何解决对于第一
复制链接

扫一扫

专栏目录