爬取百度搜索结果标题

# 爬取百度10页的标题

import urllib.request
import re
import urllib.parse

def build_onepage_crawl_function(keyword, number_of_page):
    #构建请求头
    user_agent_header = ("User-Agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:78.0) Gecko/20100101 Firefox/78.0)")
    opener_build = urllib.request.build_opener()
    opener_build.addheaders = [user_agent_header]
    #对搜索关键词进行编码
    encoded_keyword = urllib.parse.quote(keyword) 
    # 通过for循环爬去每一页
    for i in range(int(number_of_page)):
        url = "https://www.baidu.com"
        number_of_page = i * 10 # 构造 &pn=
        print(number_of_page)
        url = url + "/s?wd=" + encoded_keyword + "&pn=" + str(number_of_page) # 完整的url包括关键词说页数,这里keyword本身就是str
        print(url)
        #构造get请求中的url
        original_html = opener_build.open(url, timeout = 2).read().decode("utf-8","ignore")
        #构造正则表达式
        re_search_word = 'data-tools=.{"title":"(.*?)",'
        re_search_result = re.compile(re_search_word).findall(original_html)
        #遍历每一个列表
        for result in re_search_result:
            #写入文件
            with open("C:/users/mike1/desktop/abc.txt", "a", encoding = "utf-8") as f:
                f.write(result + "
")



#输入关键词以及需要爬取的页数
keyword_input = input("请输入关键词：")
number_of_page_input = input("请输入页数：")
build_onepage_crawl_function(keyword_input, number_of_page_input)

思路：

1、首先构造请求头，这里只加了user agent

2、 其次构造get请求，get包括搜索关键字 以及翻页。如果关键字为汉字，则要对汉字进行编码

3、通过for循环对每页内容爬取

4、通过正则表达式提取感兴趣的信息

5、将提取信息写入文件

结果显示，提取信息明显少于浏览器所见内容。可能漏掉了某些标签。