【python爬虫实战】用python爬百度搜索结果！2023.3发布

一、爬取目标

本次爬取目标是，百度搜索结果数据。以搜索”马哥python说“为例：

爬取字段，含：

页码、标题、百度链接、真实链接、简介、网站名称。

二、展示结果数据

爬取结果如下：

三、编写爬虫代码

3.1 请求头和cookie

首先，导入需要用到的库：

import requests  # 发送请求
from bs4 import BeautifulSoup  # 解析页面
import pandas as pd  # 存入csv数据
import os  # 判断文件存在
from time import sleep  # 等待间隔
import random  # 随机
import re  # 用正则表达式提取url
1
2
3
4
5
6
7

定义一个请求头：

# 伪装浏览器请求头
headers = {
	"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36",
	"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
	"Accept-Language": "zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7",
	"Connection": "keep-alive",
	"Accept-Encoding": "gzip, deflate, br",
	"Host": "www.baidu.com",
	# 需要更换Cookie
	"Cookie": "BIDUPSID=729E480F1B8CEB5347D8572AE6495CFA; PSTM=1645237046; BAIDUID=729E480F1B8CEB53DEEB6344B7C88A22:FG=1; BD_UPN=123253; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; __yjs_duid=1_695315baa9a328fc73db6db6ba9ee8781645357087938; MSA_WH=1324_311; H_PS_PSSID=35106_31660_35765_34584_35872_35818_35948_35954_35315_26350_22159; H_PS_645EC=ab89Uk1B6EQVOEBnfF64C5jyWp40Rge9HGeQ8Q2fEodX81kjh6WtOKBhR2A; BAIDUID_BFESS=729E480F1B8CEB53DEEB6344B7C88A22:FG=1; BA_HECTOR=2g8g040k818g0l21a31h1g5g60r; baikeVisitId=9a933a90-dc5c-4192-93d2-10526d401267; WWW_ST=1645745708722"
}
1
2
3
4
5
6
7
8
9
10
11

Cookie是个关键，如果不加Cookie，响应码可能不是200，获取不到数据，而且Cookie值是有有效期的，需要定期更换，如果发现返回无数据或响应码非200，尝试替换最新的Cookie。

怎么获取到Cookie呢？打开Chrome浏览器，访问百度页面，按F12进入开发者模式：

按照图示顺序，依次：

1. 点击Network，进入网络页
2. 点击All，查看所有网络请求
3. 选择目标链接，和地址栏里的地址一致
4. 查看Request Headers请求头
5. 查看请求头里的Cookie，直接右键，Copy value，粘贴到代码里

3.2 分析请求地址

然后，分析页面请求地址：
​

wd=后面是搜索关键字"马哥python说"，pn=后面是10（规律：第一页是0，第二页是10，第三页是20，以此类推），其他URL参数可以忽略。

3.3 分析页面元素

然后，分析页面元素，以搜索结果标题为例：

每一条搜索结果，都是class=“result c-container new-pmd”，下层结构里有简介、链接等内容，解析内部子元素不再赘述。
所以根据这个逻辑，开发爬虫代码。

# 获得每页搜索结果
for page in range(v_max_page):
	print('开始爬取第{}页'.format(page + 1))
	wait_seconds = random.uniform(1, 2)  # 等待时长秒
	print('开始等待{}秒'.format(wait_seconds))
	sleep(wait_seconds)  # 随机等待
	url = 'https://www.baidu.com/s?wd=' + v_keyword + '&pn=' + str(page * 10)
	r = requests.get(url, headers=headers)
	html = r.text
	print('响应码是:{}'.format(r.status_code))
	soup = BeautifulSoup(html, 'html.parser')
	result_list = soup.find_all(class_='result c-container new-pmd')
	print('正在爬取:{},共查询到{}个结果'.format(url, len(result_list)))
1
2
3
4
5
6
7
8
9
10
11
12
13

3.4 获取真实地址

其中，获取到的标题链接，一般是这种结构：

http://www.baidu.com/link?url=7sxpKz_qoESU5b1BHZThKRAnXxPngB5kx1nZdUBCaXh7a4BgUgx9Zz-IqpeqDZTOIjvfY0u6ebnJdVWIfm5Tz_

这显然是百度的一个跳转前的地址，不是目标地址，怎么获取它背后的真实地址呢？
向这个跳转前地址，发送一个请求，然后逻辑处理下：

def get_real_url(v_url):
	"""
	获取百度链接真实地址
	:param v_url: 百度链接地址
	:return: 真实地址
	"""
	r = requests.get(v_url, headers=headers, allow_redirects=False)  # 不允许重定向
	if r.status_code == 302:  # 如果返回302，就从响应头获取真实地址
		real_url = r.headers.get('Location')
	else:  # 否则从返回内容中用正则表达式提取出来真实地址
		real_url = re.findall("URL='(.*?)'", r.text)[0]
	print('real_url is:', real_url)
	return real_url
1
2
3
4
5
6
7
8
9
10
11
12
13

如果响应码是302，就从响应头中的Location参数获取真实地址。
如果是其他响应码，就从响应内容中用正则表达式提取出URL真实地址。

3.5 保存结果数据

把爬取到的数据，保存到csv文件：

df = pd.DataFrame(
			{
				'关键词': kw_list,
				'页码': page_list,
				'标题': title_list,
				'百度链接': href_list,
				'真实链接': real_url_list,
				'简介': desc_list,
				'网站名称': site_list,
			}
		)
if os.path.exists(v_result_file):
	header = None
else:
	header = ['关键词', '页码', '标题', '百度链接', '真实链接', '简介', '网站名称']  # csv文件标头
df.to_csv(v_result_file, mode='a+', index=False, header=header, encoding='utf_8_sig')
print('结果保存成功:{}'.format(v_result_file))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

to_csv的时候需加上选项（encoding=‘utf_8_sig’），否则存入数据会产生乱码，尤其是windows用户！

四、同步讲解视频

讲解视频：

五、附完整源码

完整源码获取：【python爬虫案例】用python爬取百度的搜索结果！2023.3发布

---

我是 @马哥python说 ，持续分享python源码干货中！