您好,登錄后才能下訂單哦!
因為盤搜搜索出來的鏈接有很多已經失效了,影響找數據的效率,因此想到了用爬蟲來過濾出有效的鏈接,順便練練手~
這是本次爬取的目標網址http://www.pansou.com,首先先搜索個python,之后打開開發者工具,
可以發現這個鏈接下的json數據就是我們要爬取的數據了,把多余的參數去掉,
剩下的鏈接格式為http://106.15.195.249:8011/search_new?q=python&p=1,q為搜索內容,p為頁碼
以下是代碼實現:
import requests import json from multiprocessing.dummy import Pool as ThreadPool from multiprocessing import Queue import sys headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36" } q1 = Queue() q2 = Queue() urls = [] # 存取url列表 # 讀取url def get_urls(query): # 遍歷50頁 for i in range(1,51): # 要爬取的url列表,返回值是json數據,q參數是搜索內容,p參數是頁碼 url = "http://106.15.195.249:8011/search_new?&q=%s&p=%d" % (query,i) urls.append(url) # 獲取數據 def get_data(url): print("開始加載,請等待...") # 獲取json數據并把json數據轉換為字典 resp = requests.get(url, headers=headers).content.decode("utf-8") resp = json.loads(resp) # 如果搜素數據為空就拋出異常停止程序 if resp['list']['data'] == []: raise Exception # 遍歷每一頁數據的長度 for num in range(len(resp['list']['data'])): # 獲取百度云鏈接 link = resp['list']['data'][num]['link'] # 獲取標題 title = resp['list']['data'][num]['title'] # 訪問百度云鏈接,判斷如果頁面源代碼中有“失效時間:”這段話的話就表明鏈接有效,鏈接無效的頁面是沒有這段話的 link_content = requests.get(link, headers=headers).content.decode("utf-8") if "失效時間:" in link_content: # 把標題放進隊列1 q1.put(title) # 把鏈接放進隊列2 q2.put(link) # 寫入csv文件 with open("wangpanziyuan.csv", "a+", encoding="utf-8") as file: file.write(q1.get()+","+q2.get() + "\n") print("ok") if __name__ == '__main__': # 括號內填寫搜索內容 get_urls("python") # 創建線程池 pool = ThreadPool(3) try: results = pool.map(get_data, urls) except Exception as e: print(e) pool.close() pool.join() print("退出")
總結
以上所述是小編給大家介紹的python爬取盤搜的有效鏈接實現代碼希望對大家有所幫助,如果大家有任何疑問請給我留言,小編會及時回復大家的。在此也非常感謝大家對億速云網站的支持!
如果你覺得本文對你有幫助,歡迎轉載,煩請注明出處,謝謝!
免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。