python爬行动物集合360联想词搜索

想法和一些代码引用邸一幕python培训黄哥python爬虫联想词视频，但是太罗嗦。顺便整理，而到现在为止，360不傻。它已演变，用原来的方式，有些bug，这接着说。

正题例如以下：

语言：python2.7.6

模块：urllib,urllib2,re,time

目标：输入随意词，抓到其联想词

版本号：w1

原理：在360搜索主页：http://www.so.com/。当你输入”科技“时，搜索框会列出对应的联想词或者短语。我们就是要得到这些联想词，那就要爬360的搜索引擎了。在输入关键词之前，我们在主页右键。”审查元素“——”Network“——”Name“。输入之后，以下会出现对应的超链接。我们仅仅观察”Headers“”Priview“，”Headers“下我们能够看到”“Request URL”和头信息(主机，代理之类的)，“Priview”中看到一个我输入的样例：

suggest_so({"query":"科技 ","result":[{"word":"科技美学"},{"word":"科技苑"},{"word":"科技部"},{"word":"科技管理研究"},{"word":"科技少女喵","obdata":"{\"t\":\"video\",\"d\":[2,\"http:\/\/p0.qhimg.com\/d\/dy_acba03288ce64a69a324a94921324cb6.jpg\",\"\u9ad8\u79d1\u6280\u5c11\u5973\u55b5\",\"http:\/\/www.360kan.com\/tv\/Q4pwcH3lRG4lNn.html\",3,12]}"},{"word":"科技日报"},{"word":"科技发展利大还是弊大"},{"word":"科技超能王"},{"word":"科技网"},{"word":"科技进步与对策"}],"version":"a"});

非常明显。我们仅仅要抓到里面的词就可以，忘了交代。在Request URL中。有一个链接：http://sug.so.360.cn/suggest?callback=suggest_so&encodein=utf-8&encodeout=utf-8&format=json&fields=word,obdata&word=%E7%A7%91%E6%8A%80%20，我们输入非常多次发现，变得仅仅是“%E7%A7%91%E6%8A%80%20”部分。也就是说前面的部分不变。我们能够直接拿来用，后面的部分随着输入的关键词不同而变化。这是一种URL编码，能够用urllb.quote()方法实现。

操作：1.加头信息。读取网页，相关方法：urllib2.Request()。urllib2.urlopen()。urllib2,urlopen().read()

2.正则匹配：方法：re模块的相关使用方法，各抒己见。

。

代码例如以下：

#coding:utf-8
import urllib
import urllib2
import re
import time

gjc = urllib.quote("科技")
url = "http://sug.so.360.cn/suggest?

callback=suggest_so&encodein=utf-8&encodeout=utf-8&format=json&fields=word,obdata&word="+gjc
print url
req = urllib2.Request(url)
html = urllib2.urlopen(req).read()
unicodePage = html.decode("utf-8")
#正則表達式，findall方法返回一个列表
ss = re.findall('"word":\"(.*?)\"',unicodePage)
for item in ss:
    print item

结果：

假设不加unicodePage = html.decode("utf-8") 。返回值会穿插一些乱码，以下我们验证下，我们做的对不正确，打开360搜索。输入“科技”。结果例如以下：

大家不要纠结，第一个和第二个关联词的顺序，我第二次请求的时候就变成了上图的结果。再一次请求，又变回来了，可能是360在变吧，大家能够用其它关键词试试。

好，大体框架已经实现，这是个最初版本号。还不能全然无限制使用。我们要做的是畅通无阻，那么存在什么问题呢？

问 题：1.多次请求会出现一个错误，大概代号为1005，意思百度了下，好像是说站点会限制非人为的请求。那我们要伪装成用户正常打开站点的行为。我们要用到头信息（这是我自己习惯叫的，我们採用“Request Headers”里面的信息就可以

2.请求过快也可能被屏蔽。所以要在每一次请求之后让爬虫歇息一下。这就是time.sleep()的作用

3.即使这样，也有被屏蔽的可能，必杀技：使用ip代理server，百度ip代理，一大堆免费的，方法：见urllib2 api example

优化的代码例如以下：

#coding:utf-8
#---------------------
#   程序：爬虫採集360搜索关联词
#   语言：python2.7
#   版本号：w1
#   时间：2014-06-14
#   作者：wxx
#---------------------
import urllib
import urllib2
import re
import time
from random import choice

#ip代理列表
iplist = ["14.29.117.36:80","222.66.115.229:80","59.46.72.245:8080"]
ip = choice(iplist)
#print ip
#关键词列表，顺序搜索
list = ["集团","科技","python"]
for m in list:
    #quote将m转变成URL编码
    gjc = urllib.quote(m)

    url = "http://sug.so.360.cn/suggest?callback=suggest_so&encodein=utf-8&encodeout=utf-8&format=json&fields=word,obdata&word="+gjc
    #头信息
    headers = {
                "GET":url,
                "Host":"sug.so.360.cn",
                "Referer":"http://www.so.com/",
                "User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36 QIHU 360SE"
                }
    #使用IP代理server
    proxy_handler = urllib2.ProxyHandler({'http': 'http://'+ip})
    opener = urllib2.build_opener(proxy_handler)
    urllib2.install_opener(opener)

    req = urllib2.Request(url)
    for key in headers:
        req.add_header(key,headers[key])
    html = urllib2.urlopen(req).read()
    #将其它编码变成unicode编码
    unicodePage = html.decode("utf-8")
    #正則表達式。findall方法返回一个列表
    ss = re.findall('"word":\"(.*?)\"',unicodePage)
    for item in ss:
        print item
    #休眠2秒
    time.sleep(2)

结果截图：

下一版本号的优化考虑：

1.让用户自助输入关键i词，不要事先定义关键词列表

2.按回车进行下一个关键词输入

3.输出结果保存txt文本

4.用户输入exit。程序退出

參考视频：http://www.tudou.com/programs/view/SXgshk-sYbw/

版权声明：本文博客原创文章。博客，未经同意，不得转载。