這篇文章主要介紹了python爬取盤搜的有效鏈接,本文通過實例代碼給大家介紹的非常詳細,具有一定的參考借鑑價值 ,需要的朋友可以參考下
因爲盤搜搜索出來的鏈接有很多已經失效了,影響找數據的效率,因此想到了用爬蟲來過濾出有效的鏈接,順便練練手~
這是本次爬取的目標網址http://www.pansou.com,首先先搜索個python,之後打開開發者工具,
可以發現這個鏈接下的json數據就是我們要爬取的數據了,把多餘的參數去掉,
剩下的鏈接格式爲http://106.15.195.249:8011/search_new?q=python&p=1,q爲搜索內容,p爲頁碼
以下是代碼實現:
import requests
import json
from multiprocessing.dummy import Pool as ThreadPool
from multiprocessing import Queue
import sys
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"
}
q1 = Queue()
q2 = Queue()
urls = [] # 存取url列表
# 讀取url
def get_urls(query):
# 遍歷50頁
for i in range(1,51):
# 要爬取的url列表,返回值是json數據,q參數是搜索內容,p參數是頁碼
url = "http://106.15.195.249:8011/search_new?&q=%s&p=%d" % (query,i)
urls.append(url)
# 獲取數據
def get_data(url):
print("開始加載,請等待...")
# 獲取json數據並把json數據轉換爲字典
resp = requests.get(url, headers=headers).content.decode("utf-8")
resp = json.loads(resp)
# 如果搜素數據爲空就拋出異常停止程序
if resp['list']['data'] == []:
raise Exception
# 遍歷每一頁數據的長度
for num in range(len(resp['list']['data'])):
# 獲取百度雲鏈接
link = resp['list']['data'][num]['link']
# 獲取標題
title = resp['list']['data'][num]['title']
# 訪問百度雲鏈接,判斷如果頁面源代碼中有“失效時間:”這段話的話就表明鏈接有效,鏈接無效的頁面是沒有這段話的
link_content = requests.get(link, headers=headers).content.decode("utf-8")
if "失效時間:" in link_content:
# 把標題放進隊列1
q1.put(title)
# 把鏈接放進隊列2
q2.put(link)
# 寫入csv文件
with open("wangpanziyuan.csv", "a+", encoding="utf-8") as file:
file.write(q1.get()+","+q2.get() + "\n")
print("ok")
if __name__ == '__main__':
# 括號內填寫搜索內容
get_urls("python")
# 創建線程池
pool = ThreadPool(3)
try:
results = pool.map(get_data, urls)
except Exception as e:
print(e)
pool.close()
pool.join()
print("退出")
總結
以上所述是小編給大家介紹的python爬取盤搜的有效鏈接實現代碼希望對大家有所幫助,
非常感謝你的閱讀
大學的時候選擇了自學python,工作了發現吃了計算機基礎不好的虧,學歷不行這是沒辦法的事,只能後天彌補,於是在編碼之外開啓了自己的逆襲之路,不斷的學習python核心知識,深入的研習計算機基礎知識,整理好了,我放在我們的Python學習扣qun:250933691,如果你也不甘平庸,那就與我一起在編碼之外,不斷成長吧!
其實這裏不僅有技術,更有那些技術之外的東西,比如,如何做一個精緻的程序員,而不是“屌絲”,程序員本身就是高貴的一種存在啊,難道不是嗎?[點擊加入]想做你自己想成爲高尚人,加油!