211 lines
7.2 KiB
Markdown
211 lines
7.2 KiB
Markdown
# 如何使用 Python Scrapy 抓取谷歌搜索结果
|
||
|
||
> 原文：<https://www.askpython.com/python-modules/scrape-google-search-results-python-scrapy>
|
||
|
||
你有没有遇到过这样的情况:第二天你有一场考试，或者一场演讲，你在谷歌搜索页面上一页一页地浏览，试图寻找对你有帮助的文章？
|
||
|
||
在这篇文章中，我们将探讨如何将这个单调的过程自动化，这样您就可以将精力投入到更好的任务中。
|
||
|
||
在这个练习中，我们将使用 Google collaboratory 并在其中使用 Scrapy。当然，你也可以将 Scrapy 直接安装到你的本地环境中，过程是一样的。
|
||
|
||
## 寻找批量搜索或 API？
|
||
|
||
下面的程序是实验性的，向你展示了我们如何用 Python 抓取搜索结果。但是，如果你批量运行，谷歌防火墙可能会屏蔽你。如果你正在寻找批量搜索或围绕它建立一些服务，你可以看看 [Zenserp](https://zenserp.com/) 。
|
||
|
||
Zenserp 是一个 google 搜索 API，它解决了抓取搜索引擎结果页面所涉及的问题。当抓取搜索引擎结果页面时，你会很快遇到代理管理问题。Zenserp 会自动轮换代理，并确保您只收到有效的响应。
|
||
|
||
它还支持图片搜索、购物搜索、图片反向搜索、趋势等，让您的工作变得更加轻松。您可以[在这里](https://zenserp.com/)尝试一下，只需打开任何搜索结果并查看 JSON 响应。
|
||
|
||
## 正在初始化 Google 协作室
|
||
|
||
前往[https://colab.research.google.com/](https://colab.research.google.com/)，用您的谷歌账户登录。转到文件>创建新笔记本。然后点击这个图标。点击确认按钮:
|
||
|
||
|
||
|
||
Mount Drive In Colab
|
||
|
||
这需要几秒钟时间。然后在代码区域中，键入:
|
||
|
||
```py
|
||
!pip install scrapy
|
||
|
||
```
|
||
|
||
这将在 Google colab 中安装 Scrapy，因为它不是内置的。接下来，我们导入我们的包:
|
||
|
||
```py
|
||
import scrapy
|
||
import pandas
|
||
|
||
```
|
||
|
||
还记得你是如何安装硬盘的吗？是的，现在进入名为“drive”的文件夹，导航到您的 Colab 笔记本。点击右键，选择**复制路径**。
|
||
|
||
现在，在代码编辑器中，输入:
|
||
|
||
```py
|
||
%cd "/content/drive/My Drive/Colab Notebooks/"
|
||
|
||
```
|
||
|
||
现在我们准备初始化我们的 scrapy 项目，它将保存在我们的 Google Drive 中以供将来参考。
|
||
|
||
进入代码编辑器:
|
||
|
||
```py
|
||
!scrapy startproject google_crawler
|
||
|
||
```
|
||
|
||
这将在您的 colab 笔记本中创建一个零碎的项目回购。如果您不能跟随，或者在某个地方出现了失误，项目被存储在其他地方，也不用担心。我们可以简单地移动它:
|
||
|
||
```py
|
||
!mv google_crawler "/content/drive/My Drive/Colab Notebooks/"
|
||
|
||
```
|
||
|
||
一旦完成，我们将开始建造我们的蜘蛛。
|
||
|
||
## 构建 Python Scrapy 蜘蛛
|
||
|
||
打开 google_crawler repo。你会发现一个“**蜘蛛”**的文件夹在里面。这是我们放置新蜘蛛代码的地方。
|
||
|
||
因此，在这里单击文件夹创建一个新文件，并将其命名为。我们从包导入开始:
|
||
|
||
```py
|
||
import scrapy
|
||
from scrapy.linkextractors import LinkExtractor
|
||
import pandas as pd
|
||
|
||
```
|
||
|
||
您现在不需要更改类名。让我们稍微整理一下。
|
||
|
||
删除 allowed_domains 行，因为我们不需要它。换个名字。
|
||
|
||
下面是文件系统的样子(供参考):
|
||
|
||
|
||
|
||
File System For Scrapy
|
||
|
||
这是我们蜘蛛的名字，你可以用各种参数存储任意多的蜘蛛。在 start_urls 列表中，我们可以添加我们的 google 搜索:
|
||
|
||
```py
|
||
class firstSpider(scrapy.Spider):
|
||
name = "basic"
|
||
start_urls = [
|
||
"https://www.google.com/search?q=journal+dev"
|
||
]
|
||
|
||
```
|
||
|
||
现在，让我们创建我们的解析函数，并使用我们的链接提取器来获取链接:
|
||
|
||
```py
|
||
def parse(self, response):
|
||
xlink = LinkExtractor()
|
||
for link in xlink.extract_links(response):
|
||
print(link)
|
||
|
||
```
|
||
|
||
在代码编辑器中，使用以下命令运行它:
|
||
|
||
```py
|
||
!scrapy crawl basic
|
||
|
||
```
|
||
|
||
我们看到这里有很多链接，其中许多主要是 Google.com 搜索，所以我们可以用一个 **if** 条件过滤掉它们:
|
||
|
||
```py
|
||
def parse(self, response):
|
||
xlink = LinkExtractor()
|
||
for link in xlink.extract_links(response):
|
||
if len(str(link))>200 or 'Journal' in link.text:
|
||
print(len(str(link)),link.text,link,"\n")
|
||
|
||
```
|
||
|
||
瞧啊。在这里，我们再次运行蜘蛛，我们只得到与我们的网站相关的链接以及文本描述。
|
||
|
||
|
||
|
||
Google Search Results Scraped Successfully
|
||
|
||
我们到此为止。
|
||
|
||
## 将其放入数据帧中
|
||
|
||
然而，一个终端输出大部分是无用的。如果你想用它做更多的事情(比如浏览列表中的每个网站，或者把它们给某人)，那么你需要把它输出到一个文件中。为此，我们将使用 **[熊猫](https://www.askpython.com/python-modules/pandas/python-pandas-module-tutorial)** :
|
||
|
||
```py
|
||
def parse(self, response):
|
||
df = pd.DataFrame()
|
||
xlink = LinkExtractor()
|
||
link_list=[]
|
||
link_text=[]
|
||
for link in xlink.extract_links(response):
|
||
if len(str(link))>200 or 'Journal' in link.text:
|
||
print(len(str(link)),link.text,link,"\n")
|
||
link_list.append(link)
|
||
link_text.append(link.text)
|
||
df['links']=link_list
|
||
df['link_text']=link_text
|
||
df.to_csv('output.csv')
|
||
|
||
```
|
||
|
||
现在，如果我们运行这个，我们会得到一个名为" **output.csv** "的输出文件:
|
||
|
||
|
||
|
||
Spider Output For Google Search Of Journal Dev
|
||
|
||
## 提取元描述
|
||
|
||
我们可以更进一步，也可以访问文本下面的描述:
|
||
|
||
|
||
|
||
Description Below Search Links
|
||
|
||
所以我们将修改解析函数。我们使用 response.xpath(//div/text())来获取出现在 **div** 标签中的所有文本。然后通过简单的观察，我在终端上打印了每篇文章的长度，发现超过 100 的很可能是描述。因为它们的获取顺序与链接的顺序相同，所以我们可以将它们排列起来:
|
||
|
||
```py
|
||
def parse(self, response):
|
||
df = pd.DataFrame()
|
||
xlink = LinkExtractor()
|
||
link_list=[]
|
||
link_text=[]
|
||
divs = response.xpath('//div')
|
||
text_list=[]
|
||
for span in divs.xpath('text()'):
|
||
if len(str(span.get()))>100:
|
||
text_list.append(span.get())
|
||
for link in xlink.extract_links(response):
|
||
if len(str(link))>200 or 'Journal'in link.text:
|
||
#print(len(str(link)),link.text,link,"\n")'''
|
||
link_list.append(link)
|
||
link_text.append(link.text)
|
||
for i in range(len(link_text)-len(text_list)):
|
||
text_list.append(" ")
|
||
df['links']=link_list
|
||
df['link_text']=link_text
|
||
df['text_meta'] = text_list
|
||
df.to_csv('output.csv')
|
||
|
||
```
|
||
|
||
所以现在如果我们运行代码，我们会得到第四列:
|
||
|
||
|
||
|
||
Descriptions Extraction – Metadata Div/Span From Css
|
||
|
||
就是这样！
|
||
|
||
如果你错过了这些，你可以在这里查看所有代码:[](https://github.com/arkaprabha-majumdar/google-crawler)
|
||
|
||
**感谢您的阅读。查看其他文章，继续编程。干杯。** |