1 import requests
 2 from bs4 import BeautifulSoup
 3 import re
 4 import time
 5 from random import choice
 6 
 7 # 創(chuàng)建headers字段
 8 def createUA():
 9     # 運(yùn)行該程序前：請打開瀏覽器前往"https://www.baidu.com"手動(dòng)登錄自己的百度賬戶，按F12打開開發(fā)者模式，選擇最上面一排Network/網(wǎng)絡(luò)選項(xiàng)卡
10     # 接著按F5刷新本網(wǎng)頁，捕獲到的請求里一直往上翻到最頂端，選擇第一次請求（即名稱為www.baidu.com的請求）。
11     # 再選擇右側(cè)標(biāo)頭選項(xiàng)卡，往下滑到請求標(biāo)頭處，將Cookie字段的值全部復(fù)制下來（有很長一段的）替換掉下行的****** 替換后可直接運(yùn)行該文件
12     ua = {'Cookie': '******', \
13     'Host': 'www.baidu.com', \
14     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36 Edg/111.0.1661.54'}
15     return ua
16     # 程序運(yùn)行無數(shù)據(jù)返回爬不了的時(shí)候，瀏覽器直接刷新繼續(xù)按上述方法換字典里的Cookie值就完事了
17 
18 # 將百度搜索鏈接給予的加密URL轉(zhuǎn)化為真實(shí)的URL
19 def convertRealUrl(url, s2):
20     try:
21         headers = createUA()
22         realR = s2.get(url = url, headers = headers, allow_redirects = False)
23         # 當(dāng)請求加密鏈接，初兩次響應(yīng)的Http報(bào)文往往告知瀏覽器需要重定向，最初兩次的響應(yīng)報(bào)文里才有Location屬性來告知瀏覽器需要重定向到的真實(shí)網(wǎng)站鏈接。
24         # 此時(shí)我們不允許會(huì)話自動(dòng)根據(jù)給出的Location重定向跳轉(zhuǎn)，因?yàn)樵试S重定向后會(huì)自動(dòng)跳到最新的真實(shí)的URL站點(diǎn)，這時(shí)就只返回最新站點(diǎn)的響應(yīng)HTTP報(bào)文（已完成重定向后），此時(shí)響應(yīng)標(biāo)頭里不再有指示重定向url的Location字段。此方法就會(huì)失效！
25         return realR.headers['Location']
26     except:
27         # print(realR.status_code, end = "")
28         print("頭部字段沒有Location屬性或者加密的url有異常")
29         return url# 如果找不到Location頭部字段無法返回真實(shí)鏈接，那么就返回原來的加密鏈接
30 
31 # 獲取搜索頁
32 def getSearchPage(keyword, pn, s1):
33     headers = createUA()
34     url = 'http://www.baidu.com/s'
35     payload = {'wd': keyword, 'pn': pn}
36     try:
37         r = s1.get(url, headers = headers, params = payload, timeout = 30)
38         print('狀態(tài)碼是:', r.status_code)
39         r.raise_for_status()
40         r.encoding = 'utf-8'
41         return r.text
42     except:
43         return "狀態(tài)碼異常"
44 
45 # 升級！爬取一頁的標(biāo)題和真實(shí)鏈接
46 def upgradeCrawler(html, s2):
47     soup = BeautifulSoup(html, 'lxml')
48     titles = []
49     links = []
50     for h3 in soup.find_all('h3', {'class': re.compile('c-title t')}):
51         # a.text為獲取該路徑下所有子孫字符串吧?？赡軇偤胊元素和em元素間沒有換行符，所以抓取的字符串里沒有\(zhòng)n換行符
52         g_title = h3.a.text.replace('\n', '').replace(',', ' ').strip()# 去掉換行和空格，部分標(biāo)題中還有逗號會(huì)影響CSV格式存儲(chǔ)，也要去除。
53         g_url = h3.a.attrs['href']
54         g_url = convertRealUrl(g_url, s2)
55         print("{}\t{}\t".format(g_title, g_url))
56         titles.append(g_title)
57         links.append(g_url)
58     return titles, links
59 
60 # 將二維列表數(shù)據(jù)寫入CSV文件
61 def writeCSV(titles, links):
62     infos = list(zip(titles, links))
63     fo = open('./BDlinks.csv', 'at', encoding='utf-8')# 需要鎖定用utf-8編碼打開，不然該文件很可能會(huì)以gbk中文編碼存儲(chǔ)，這導(dǎo)致部分url中的西文字符存儲(chǔ)到本文件時(shí)無法通過gbk模式編碼存儲(chǔ)。
64     for row in infos:
65         fo.write(",".join(row) + "\n")
66     fo.close()
67     print("CSV文件已保存!")
68 
69 # 頂層設(shè)計(jì)
70 def main():
71     while True:  # 循環(huán)
72         keyword = input("請輸入搜索關(guān)鍵詞：")
73         num = int(input("請輸入爬取頁數(shù)："))
74         titles = []
75         links = []
76         # s1會(huì)話用于獲取搜索結(jié)果頁
77         s1 = requests.session()
78         # s2會(huì)話用于轉(zhuǎn)真實(shí)URL
79         s2 = requests.session()
80         # 第1頁為0，第2頁為10，第3頁為20，依次類推
81         num = num * 10
82         for pn in range(0, num, 10):
83             html = getSearchPage(keyword, pn, s1)
84             print('標(biāo)題\tURL\t')
85             ti, li = upgradeCrawler(html, s2)
86             titles += ti
87             links += li
88             print("{0:->41}{1:-<36.0f}".format("當(dāng)前頁碼為：", pn / 10 + 1))
89             time.sleep(5)
90         print('爬取完成！')
91         writeCSV(titles, links)
92 
93 if __name__ == '__main__':
94     main()