一、背景介绍
你好,我是 @马哥python说 ,一名10年程序猿。
1.1 老版本
之前我开发过一个百度搜索的python爬虫代码,具体如下:
【python爬虫案例】用python爬取百度的搜索结果!
这个爬虫代码自发布以来,受到了众多小伙伴的关注:
但是,很多不懂python编程的小伙伴无法使用它,非常痛苦!
于是,我把这个程序封装成了一个桌面软件(exe文件),无需python运行环境也可以使用。
1.2 爬取目标
1.3 软件运行截图
1.4 爬取数据
1.5 实现思路
通过python爬虫技术,爬取百度搜索结果数据,包含字段:
页码、标题、百度链接、真实链接、简介、网站名称。
并把源码封装成exe文件,方便没有python环境,或者不懂技术的人使用它。
二、代码讲解
2.1 爬虫
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
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\": \"换成自己的cookie\"
}
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:
- 点击Network,进入网络页
- 点击All,查看所有网络请求
- 选择目标链接,和地址栏里的地址一致
- 查看Request Headers请求头
- 查看请求头里的Cookie,直接右键,Copy value,粘贴到代码里
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。
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)))
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
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。
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))
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!
2.2 软件界面
界面部分代码:
# 创建主窗口
root = tk.Tk()
root.title(\'百度搜索爬虫-定制化开发 | 马哥python说\')
# 设置窗口大小
root.minsize(width=850, height=650)
show_list_Frame = tk.Frame(width=800, height=450) # 创建<消息列表分区>
show_list_Frame.pack_propagate(0)
show_list_Frame.place(x=30, y=120, anchor=\'nw\') # 摆放位置
# 滚动条
scroll = tk.Scrollbar(show_list_Frame)
# 放到Y轴竖直方向
scroll.pack(side=tk.RIGHT, fill=tk.Y)
2.3 日志模块
软件运行过程中,会在同级目录下生成logs文件夹,文件夹内会出现log文件,记录下软件在整个运行过程中的日志,方便长时间运行、无人值守,出现问题后的debug。
部分核心代码:
class Log_week():
def get_logger(self):
self.logger = logging.getLogger(__name__)
# 日志格式
formatter = \'[%(asctime)s-%(filename)s][%(funcName)s-%(lineno)d]--%(message)s\'
# 日志级别
self.logger.setLevel(logging.DEBUG)
# 控制台日志
sh = logging.StreamHandler()
log_formatter = logging.Formatter(formatter, datefmt=\'%Y-%m-%d %H:%M:%S\')
# info日志文件名
info_file_name = time.strftime(\"%Y-%m-%d\") + \'.log\'
# 将其保存到特定目录,ap方法就是寻找项目根目录,该方法博主前期已经写好。
case_dir = r\'./logs/\'
info_handler = TimedRotatingFileHandler(filename=case_dir + info_file_name,
when=\'MIDNIGHT\',
interval=1,
backupCount=7,
encoding=\'utf-8\')
self.logger.addHandler(sh)
sh.setFormatter(log_formatter)
self.logger.addHandler(info_handler)
info_handler.setFormatter(log_formatter)
return self.logger
三、软件运行演示
演示视频:
【爬虫GUI演示】用python爬百度搜索,并开发成exe桌面软件!
我是 @马哥python说,持续分享python干货!
来源:https://www.cnblogs.com/mashukui/p/16921221.html
本站部分图文来源于网络,如有侵权请联系删除。