搜索引擎相关搜索词应该是不少seoer在寻找和选择使用的关键词拓展类别,除开热门的百度相关搜索词采集,当然还有360搜索引擎以及搜狗搜索引擎,当然知道方法以后,应用python来实现,基本都是大同小异,你唯一需要关心的是词本身,以及反爬的限制!
这不,本渣渣就是第二次在360搜索上翻车了,注意,这是第二次,第一次,处女翻车还是在采集360搜索问答的时候翻的车,真是好了伤疤忘了疼,太久远了!!
360搜索大力出奇迹,不对,大力出验证码。。
本渣渣这里实现相关关键词的获取是采用了正则,参考了不少源码,都是采用正则比较方便快捷的!
360搜索相关关键词关键源码
re.findall(r'<a data-ext=".+?" href=".+?">(.+?)</a>', html, re.S | re.I)
搜狗搜索相关关键词关键源码
re.findall(r'<p><a href=".+?" id="sogou_99999_.+?">(.+?)</a></p>', html, re.S | re.I)
可自行参考学习,毕竟没有好讲的!
附上一个360搜索相关关键词采集的源码,供大家参考和学习!PS:代码不是我写的,本渣渣学废了,怎么写的出?!
#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ 360相关搜索词挖掘脚本(多线程版) 基于python3.8 需要安装requests模块 @author:微信/huguo00289 """
import re
from queue import Queue
from threading import Thread
import requests,randomclass Qh360Spider(Thread):
result = {} # 保存结果字典
seen = set() # 表示在队列中的关键词(已抓取或待抓取)def __init__(self, kw_queue, loop, failed): super(Qh360Spider, self).__init__() self.kw_queue = kw_queue # 关键词队列 self.loop = loop # 循环挖词拓展次数 self.failed = failed # 保存查询失败的关键词文件 self.ua_list = [ 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0', '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 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1', '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 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50', 'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11', ] def run(self): # 程序的执行流程 while True: # 从队列里面获取一个关键词及其对应的当前拓展次数 kw, cloop = self.kw_queue.get() print('CurLoop:{} Checking: {}'.format(cloop, kw)) query = 'https://www.so.com/s?q={}'.format(kw) # 构建含关键词的url try: source = self.download(query, timeout=10) # source = self.download(query,timeout=10,user_agent=self.ua) if source: kw_list = self.extract(source) print(kw_list) self.filter(cloop, kw_list) else: # 获取源码失败,保存查询失败的关键词 self.failed.write('{}\n'.format(kw)) finally: self.kw_queue.task_done() def download(self, url, timeout=5, proxy=None, num_retries=5): """ 通用网页源码下载函数 :param url: 要下载的url :param timeout: 请求超时时间,单位/秒。可能某些网站的反应速度很慢,所以需要一个连接超时变量来处理。 :param user_agent: 用户代理信息,可以自定义是爬虫还是模拟用户 :param proxy: ip代理(http代理),访问某些国外网站的时候需要用到。必须是双元素元组或列表(‘ip:端口’,‘http/https’) :param num_retries: 失败重试次数 :return: HTML网页源码 """ headers = { "Cookie": "QiHooGUID=41F80B0CCE5D43A22EEF0305A12CDE3F.1596003342506; __guid=15484592.2994995584481314300.1596003341831.5723; soid=TjzBKt3zrO-Rh1S7fXSb0S!6kmX5TlEerB2URZz9v4; __md=667cb161f9515972323507763d8fa7dd643a65bd2e88034.9; dpr=1; isafe=1; webp=1; _uc_m2=886a48052dbb9e2291f80055746e0d4f1f110f922b2f; _uc_mid=7cb161f953d8fa7dd643a65bd2e88034; __huid=11xZqhEl%2FfVeqclI4j%2BdQeQvX63Oph%2F%2BCVM5vxqYGxQI4%3D; Q=u%3Duhthb002%26n%3D%26le%3DAwH0ZGV5ZGR3WGDjpKRhL29g%26m%3DZGH5WGWOWGWOWGWOWGWOWGWOZGL0%26qid%3D144048053%26im%3D1_t018c25fbb66797efb2%26src%3D360chrome%26t%3D1; T=s%3D2afa764886f737dd5d23421c30f87a1f%26t%3D1595934758%26lm%3D0-1%26lf%3D2%26sk%3De485bbde46ac34fc27fc40215de76c44%26mt%3D1595934758%26rc%3D1%26v%3D2.0%26a%3D1; _S=tg75a7e3fmv0mfdfkt8jlpfpj6; stc_ls_sohome=RRzRSR!RTR(RUR_RVR; gtHuid=1; homeopenad=1; _pp_wd=1; _ga=GA1.2.607533084.1598082638; _gid=GA1.2.1887117715.1598082638; count=6; erules=p1-9%7Cp2-11%7Cp4-3%7Cecl-2%7Ckd-1%7Cp3-2", 'User-Agent': random.choice(self.ua_list) } try: # 打开网页并读取内容存入html变量中 resp = requests.get(url, headers=headers, proxies=proxy, timeout=timeout) print(resp.status_code) except requests.RequestException as err: print('Download error:', err) html = None # 如果有异常,那么html肯定是没获取到的,所以赋值None if num_retries > 0: return self.download(url, timeout, proxy, num_retries - 1) else: html = resp.content.decode('utf-8') #print(html) return html @staticmethod def extract(html): ''' 提取关键词 :param html:搜索结果源码 :return:提取出来的相关关键词列表 ''' return re.findall(r'<a data-ext=".+?" href=".+?">(.+?)</a>', html, re.S | re.I) def filter(self, current_loop, kwlist): ''' 关键词过滤和统计函数 :param current_loop: 当前拓展的次数 :param kwlist: 提取出来的关键词列表 :return: None ''' for kw in kwlist: # 判断关键词是不是已经被抓取或者已经存在关键词队列 # 判断当前的拓展次数是否已经超过指定值 if current_loop < self.loop and kw not in self.seen: # 同时满足关键词的拓展次数小于目标次数,而且关键词不在seen里面时才把kw放到待抓取队列内 self.kw_queue.put((kw, current_loop+1)) Qh360Spider.seen.add(kw) # 将关键词放到结果字典内,并统计出现次数 if kw in self.result: Qh360Spider.result[kw] += 1 else: Qh360Spider.result[kw] = 1
if name == 'main':
# 创建关键词队列实例
k_queue = Queue()
# 将待抓取关键词放入队列已经类的seen属性中
with open('keywords.txt', encoding="GBK") as kwfile:
for key in kwfile:
key = key.strip()
k_queue.put((key, 1))
Qh360Spider.seen.add(key)# 创建查询失败保存文件 check_failed = open('faileds.txt', 'w') # 创建线程 for i in range(15): bds = Qh360Spider(k_queue, 3, check_failed) bds.setDaemon(True) bds.start() # 阻塞关键词队列,直到完成 k_queue.join() # 关闭查询失败的文件 check_failed.close() # 对结果进行排序及写入文件 sort_list = sorted(Qh360Spider.result.items(), key=lambda x: x[1], reverse=True) with open('ah360key.txt', 'w', encoding='utf8') as save: for item in sort_list: # 关键词+次数的文件输出方式 line = '%s\n' % (item[0]) if len(line) > 0: print("有东西") print('111') save.write(line) save.flush() # 刷新缓存,避免中途出错 save.close() print('done,完成挖掘')
如果没有接入ip代理,超级容易和谐,毕竟大力出验证码,试了一下,速度还是可以,就是太容易被360搜索反爬封禁了,如果想要正常稳定运行,不知道接入代理ip情况如何,同时还得有一个cookies库!