使用scrapy选择器selector解析获取百度结果

0x00 概述

需要成功安装scrapy，安装方法与本文无关，不在这多说。

0x01 配置settings

由于百度对于user-agent进行验证，所以需要添加。

settings.py中找到DEFAULT_REQUEST_HEADERS,设置好后如下：

DEFAULT_REQUEST_HEADERS = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Maxthon/5.0.4.3000 Chrome/47.0.2526.73 Safari/537.36',
}

settings.py中找到ROBOTSTXT_OBEY,设置好后如下：

ROBOTSTXT_OBEY = False

0x02 写个爬虫

spider文件夹中建立baidu_spider.py，内容如下：

import scrapy
from scrapy.selector import Selector
class DmozSpider(scrapy.Spider):
    name = "dmoz"
    allowed_domains = ["baidu.com"]
    start_urls = [
        "https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=0&rsv_idx=1&tn=baidu&wd=1111&rsv_pq=e99a82620002899b&rsv_t=9aeedvIqMvwImRMhMsGBvD%2BjM%2Fd%2Byd10oiaBWGgrEiZ79fKqGUhhZCWWE0w&rqlang=cn&rsv_enter=1&rsv_sug3=4&rsv_sug1=1&rsv_sug7=100"
    ]

    def parse(self, response):
        sel = Selector(response)
        print sel.xpath('//h3[@class="t"]/a/text()')
        print sel.xpath('//h3[@class="t"]/a/@href')

0x03 看下结果

运行scrapy crawl dmoz命令。

内容和链接已经抓取出来，结果如下：