python如何获取百度搜索结果的真实URL

来源：互联网发布：好运来返奖统计软件编辑：程序博客网时间：2024/06/11 16:26

在公司中需要去抓取一些数据，就遇到了以下这些问题：

想通过爬虫获取百度搜索结果的原始链接。通过Firefox的HttpFox插件，发现在搜索结果的URL是加密过的，例如：

http://www.baidu.com/link?url=w0Kz2y9t3Ne9YtTTkZ1M_ToY43HWy3tia4djxC8u9CC

点击链接之后，会向该链接发送GET，从服务器得到的回复中包含真实URL：http://www.python.org

想通过python爬虫模拟这个过程：
获取关键字，构造百度搜索URL（借助Firefox自带的百度搜索，构建简化的搜索链接）

通过pyquery获取页面中所有的搜索结果URL：
[(site.attr('href'), site.text().encode('utf-8')) for site in self.page('div.result.c-container h3.t a').items()]
//不知道这个items()方法在这里用的对不对
向加密后的URL发起GET请求，试图获得HttpFox中获取到的content
提取真实URL，进行显示

目前可以获取到页面加密后的URL（但是针对相同的一个网址每次获取的加密后URL都不同，可以理解），但是第3步获取到的页面，不是httpfox中的那个页面，而是很复杂的页面（应该是跳转之后到页面）。
尝试了requests.get()中设定参数allow_redirects=False，但是获取的回复也不是httpfox的那个content。

#!/usr/bin/python#coding=utf-8import reimport requestsfrom pyquery import PyQuery as Pqclass BaiduSearchSpider(object):        def __init__(self, searchText):        self.url = "http://www.baidu.com/baidu?wd=%s&tn=monline_4_dg" % searchText        self.headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_3) AppleWebKit/600.5.17 (KHTML, like Gecko) Version/8.0.5 Safari/600.5.17"}        self._page = None        @property     def page(self):        if not self._page:            r = requests.get(self.url, headers=self.headers)            r.encoding = 'utf-8'            self._page = Pq(r.text)        return self._page        @property    def baiduURLs(self):        return [(site.attr('href'), site.text().encode('utf-8')) for site in self.page('div.result.c-container  h3.t  a').items()]        @property        def originalURLs(self):        tmpURLs = self.baiduURLs        print tmpURLs        originalURLs = []        for tmpurl in tmpURLs:            tmpPage = requests.get(tmpurl[0])            #tmpPage.encoding = 'utf-8' #这样不好使，print的时候python报错            tmptext = tmpPage.text.encode('utf-8')            urlMatch = re.search(r'URL=\'(.*?)\'', tmptext, re.S)            if not urlMatch == None:                print urlMatch.group(1), "   ", tmpurl[1]                originalURLs.append(tmpurl)            else:                print "---------------"                print "No Original URL found!!"                print tmpurl[0]                print tmpurl[1]         return originalURLssearchText = raw_input("搜索内容是：") print searchTextbdsearch = BaiduSearchSpider(searchText) originalurls = bdsearch.originalURLsprint '=======Original URLs========'print originalurlsprint '============================'

通过pyquery的history属性，发现baidu这些连接大多进行了redirect（http 302），但是有一部分链接是直接获得了http200回复。对于从百度爬取的加密的url，进行requests.get()时不允许跳转（allow_redirects=False）。然后针对这两类服务器回复分别处理：
http 302跳转：从headers中的'location'可以获得原始url；
http 200回复：从content中通过正则表达式获取原始url
对上述代码中的def originalURLs(self)函数进行修改：

for tmpurl in tmpURLs:        tmpPage = requests.get(tmpurl[0], allow_redirects=False)        if tmpPage.status_code == 200:            urlMatch = re.search(r'URL=\'(.*?)\'', tmpPage.text.encode('utf-8'), re.S)            originalURLs.append((urlMatch.group(1), tmpurl[1]))        elif tmpPage.status_code == 302:            originalURLs.append((tmpPage.headers.get('location'), tmpurl[1]))        else:            print 'No URL found!!'

抓了几页，发现绝大部分url是通过302跳转的。不知道为什么httpfox上会看到好多是200OK状态的。

0 0