python 爬取百度云资源

 1 import urllib.request
 2 import re
 3 import random
 4
 5 def get_source(key):
 6
 7     print(‘请稍等，爬取中....‘)
 8     headers = [{‘User-Agent‘:‘Mozilla/5.0 (Windows NT 6.3 WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Maxthon/4.4.8.1000 Chrome/30.0.1599.101 Safari/537.36‘},{‘User-Agent‘:"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:45.0) Gecko/20100101 Firefox/45.0"},{‘User-Agent‘: ‘Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 10.0; WOW64; Trident/7.0)‘}]
 9
10     header = random.choice(headers) # 随机选取一个header
11
12     keyword = key.encode(‘utf-8‘)
13     keyword = urllib.request.quote(keyword)   # 对关键词进行编码
14
15     # 这里是关键，称随机搜索一个资源名，然后对其结果网址进行分析
16     url = "http://www.wangpansou.cn/s.php?wp=0&ty=gn&op=gn&q="+keyword+"&q="+keyword
17     req = urllib.request.Request(url, headers=header)
18
19     html = urllib.request.urlopen(req)
20
21     # 编码类型
22     head_type = html.headers[‘Content-Type‘].split(‘=‘)[-1]
23
24
25     status = html.getcode()   # 获取状态码，只有访问成功了才继续。
26     if status == 200:
27         html = html.read()
28         html = html.decode(head_type) #　根据网站编码时行解码
29
30         #　正则匹配　
31         pattern = re.compile(‘<a href="(.+)"><div class="cse-search-result_paging_num " tabindex="\d{1,3}">\d{1,3}</div></a>‘)
32         content = pattern.findall(html)
33
34         url_list = []
35         url_head = ‘http://www.wangpansou.cn/‘
36         for i in content:
37             i = url_head +i # 因为正匹配出来的只有一部分,所以把前面的一部分加上,开成完整的链接
38             if not i in url_list:   # 去掉重复的,网页确实有两分,所以去重.
39                 url_list.append(i)   # 得到所有 有搜索结果的页面网址列表
40
41     count = 1  # 计数用
42     for each_url in url_list:
43         header = random.choice(headers)    # 针对每个链接都随机选择一个‘头‘,防止被服务器封掉
44         request1 = urllib.request.Request(each_url, headers=header)
45         html2 = urllib.request.urlopen(request1)
46
47         status = html2.getcode()   # 获取状态码
48         if status == 200:
49             html2 = html2.read()
50             html2 = html2.decode(head_type)
51             pattern1 = re.compile(‘<a class=".+" href="(.+)" rel.+‘)
52             content1 = pattern1.findall(html2)
53
54
55             pattern2 = re.compile(‘<div id=".+" class="cse-search-result_content_item_mid">\s+(.+)‘)
56             content2 = pattern2.findall(html2)
57
58
59         for i in range(0,len(content2)):
60             print(str(count) + ‘:‘ + content2[i] + ‘\n‘ + content1[i])
61             print()
62             count += 1
63
64     print(‘共搜索到%d个资源,已经全部爬取完毕！‘ % count)
65
66 if __name__ == ‘__main__‘:
67     get_source(input(‘请输入要搜索的资源名:‘))

"""
说明：
a.本搜索实际是通过通过网盘搜这个网站进行的二次搜索，如果找资源也可以直接到网盘搜进行一页一页的搜索

本脚本唯一的优点是一次性将所有结果全部爬下来，不用一页一页的翻找。

b.代码相当丑，但这也是对学习过程的记录，先实现功能，再考虑代码。
"""