写了两篇之后，我觉得关于爬虫，重点还是分析过程
分析些什么呢：
1）首先明确自己要爬取的目标
比如这次我们需要爬取的是使用百度搜索之后所有出来的url结果
2）分析手动进行的获取目标的过程，以便以程序实现
比如百度，我们先进行输入关键词搜索，然后百度反馈给我们搜索结果页，我们再一个个进行点击查询
3）思考程序如何实现，并克服实现中的具体困难
那么我们就先按上面的步骤来，我们首先认识到所搜引擎，提供一个搜索框，让用户进行输入，然后点击执行
我们可以先模拟进行搜索，发现点击搜索之后的完整url中有一项很关键，如下
http://www.baidu.com/s?wd=搜索内容......
后面的内容我们尝试去除之后再次请求上面的url，发现返回的信息一样，我们就可以断定请求的url只需要填入wd这个参数即可
接着我们就应该进行尝试requests.get()查看是否能正常返回页面，防止百度的反爬虫
嘿，幸运的是返回页面正常哈哈~
（当然如果没有返回到正常信息，只要设置好headers或者严格的cookies就行了）
import requests
url = 'http://www.baidu.com/s?wd=......'
r = requests.get(url)
print r.status_code,r.content
好，接下来我们就想知道怎么爬取所有的结果
我么再次对url进行分析，发现url中还有一项很关键，是控制页码的项：
http://www.baidu.com/s?wd=...&pn=x
这个x是每10为一页，第一页为0，而且一共76页，也就是750最大值，大于750则返回第一页
接下来我们就可以对抓取到的页面进行分析
还是使用友好的beautifulsoup
我们通过分析发现我们所需要的url在标签a中的href里，而且格式是这样：
http://www.baidu.com/link?url=......
因为还存在很多别的url混淆，所以我们只需要进行一个筛选就行了
而且这个获得的url并不是我们想要的url结果，这只是百度的一个跳转链接
但是让我欣慰的是，当我们队这个跳转链接进行get请求后，直接返回get对象的url便是我们想要的结果链接了
然后我们再次进行尝试，发现还是没有别的反爬虫机制哈哈
本来的想法是，我们是否要先进行一个对新的url返回的状态码进行一个筛选，不是200就不行（甚至还需要些headers）
但是我发现，其实就算不是200，我们只要返回请求对象的url就行了，和能不能正常返回没关系
因为我们的目的并不是请求的页面结果，而是请求的url
所以只需要全部打印出来就行了
当然我建议写一个简单的笼统的headers写入get，这样至少能排除一些不必要的结果
接着我们请求的完整思路就差不多了
上代码：
#coding=utf-8
import requests
import sys
import Queue
import threading
from bs4 import BeautifulSoup as bs
import re
headers = {
......
}
class baiduSpider(threading.Thread):
def __init__(self,queue,name):
threading.Thread.__init__(self)
self._queue = queue
self._name = name
def run(self):
while not self._queue.empty():
url = self._queue.get()
try:
self.get_url(url)
except Exception,e:
print e
pass
#一定要异常处理！！！不然中途会停下，爬取的内容就不完整了！！！
def get_url(self,url):
r = requests.get(url = url,headers = headers)
soup = bs(r.content,"html.parser")
urls = soup.find_all(name='a',attrs={'href':re.compile(('.'))})
# for i in urls:
# print i
#抓取百度搜索结果中的a标签，其中href是包含了百度的跳转地址
for i in urls:
if 'www.baidu.com/link?url=' in i['href']:
a = requests.get(url = i['href'],headers = headers)
#对跳转地址进行一次访问，返回访问的url就能得到我们需要抓取的url结果了
#if a.status_code == 200:
#print a.url
with open('E:/url/'+self._name+'.txt') as f:
if a.url not in f.read():
f = open('E:/url/'+self._name+'.txt','a')
f.write(a.url+'\n')
f.close()
def main(keyword):
name = keyword
f = open('E:/url/'+name+'.txt','w')
f.close()
queue = Queue.Queue()
for i in range(0,760,10):
queue.put('http://www.baidu.com/s?wd=%s&pn=%s'%(keyword,str(i)))
threads = []
thread_count = 10
for i in range(thread_count):
spider = baiduSpider(queue,name)
threads.append(spider)
for i in threads:
i.start()
for i in threads:
i.join()
print "It's down,sir!"
if __name__ == '__main__':
if len(sys.argv) != 2:
print 'no keyword'
print 'Please enter keyword '
sys.exit(-1)
else:
main(sys.argv[1])
我们工具的功能就是：
python 123.py keyword
就能将url结果写入文件
这边sys我有话讲
在if __name__ == '__main__'：中先进行一个判断，如果输入的字段是一个，那么我们就返回提醒信息，让用户进行键入
如果是两个，那么就将第二个键入记为keyword进行操作
当然这边逻辑有个缺陷，就是大于两个字符会不会有别的问题（别的问题哦！！！）
值得研究一下，但这不是我们这篇的重点
好啦，今天的百度url结果手收集就那么多啦！
谢谢观看哦！
