Python多線程抓取Google搜尋連結網頁

1）urllib2+BeautifulSoup抓取Goolge搜尋連結

近期，參與的項目需要對Google搜尋結果進行處理，之前學習了Python處理網頁相關的工具。實際應用中，使用了urllib2和beautifulsoup來進行網頁的抓取，但是在抓取google搜尋結果的時候，發現如果是直接對google搜尋結果頁面的原始碼進行處理，會得到很多“髒”連結。

看為搜尋“titanic james”的結果：

圖中紅色標記的是不需要的，藍色標記的是需要抓取處理的。

這種“髒連結”當然可以通過規則過濾的方法來過濾掉，但是這樣程式的複雜度就高了。正當自己愁眉苦臉的正在寫過濾規則時。同學提醒說google應該提供相關的api，才恍然大明白。

（2）Google Web Search API+多線程

文檔中給出使用Python進行搜尋的例子：

圖中紅色標記的是不需要的，藍色標記的是需要抓取處理的。

這種“髒連結”當然可以通過規則過濾的方法來過濾掉，但是這樣程式的複雜度就高了。正當自己愁眉苦臉的正在寫過濾規則時。同學提醒說google應該提供相關的api，才恍然大明白。

（2）Google Web Search API+多線程

文檔中給出使用Python進行搜尋的例子：

import simplejson    # The request also includes the userip parameter which provides the end # user's IP address. Doing so will help distinguish this legitimate # server-side traffic from traffic which doesn't come from an end-user. url = ('https://ajax.googleapis.com/ajax/services/search/web'       '?v=1.0&q=Paris%20Hilton&userip=USERS-IP-ADDRESS')    request = urllib2.Request(    url, None, {'Referer': /* Enter the URL of your site here */})response = urllib2.urlopen(request)    # Process the JSON string. results = simplejson.load(response)# now have some fun with the results...  import simplejson   # The request also includes the userip parameter which provides the end# user's IP address. Doing so will help distinguish this legitimate# server-side traffic from traffic which doesn't come from an end-user.url = ('https://ajax.googleapis.com/ajax/services/search/web'       '?v=1.0&q=Paris%20Hilton&userip=USERS-IP-ADDRESS')   request = urllib2.Request(    url, None, {'Referer': /* Enter the URL of your site here */})response = urllib2.urlopen(request)   # Process the JSON string.results = simplejson.load(response)# now have some fun with the results..

實際應用中可能需要抓取google的很多網頁，所以還需要使用多線程來分擔抓取任務。使用google web search api的參考詳細介紹，請看此處（這裡介紹了Standard URL Arguments）。另外要特別注意，url中參數rsz必須是8（包括8）以下的值，若大於8，會報錯的！

（3）代碼實現

代碼實現還存在問題，但是能夠運行，魯棒性差，還需要進行改進，希望各路大神指出錯誤（初學Python），不勝感激。

#-*-coding:utf-8-*- import urllib2,urllibimport simplejsonimport os, time,threading   import common, html_filter#input the keywords keywords = raw_input('Enter the keywords: ')                                    #define rnum_perpage, pages rnum_perpage=8pages=8                          #定義線程函數 def thread_scratch(url, rnum_perpage, page): url_set = []  try:   request = urllib2.Request(url, None, {'Referer': 'http://www.sina.com'})   response = urllib2.urlopen(request)   # Process the JSON string.    results = simplejson.load(response)   info = results['responseData']['results'] except Exception,e:   print 'error occured'   print e else:   for minfo in info:      url_set.append(minfo['url'])      print minfo['url']  #處理連結  i = 0 for u in url_set:   try:     request_url = urllib2.Request(u, None, {'Referer': 'http://www.sina.com'})     request_url.add_header(     'User-agent',     'CSC'     )     response_data = urllib2.urlopen(request_url).read()     #過濾檔案      #content_data = html_filter.filter_tags(response_data)      #寫入檔案      filenum = i+page     filename = dir_name+'/related_html_'+str(filenum)     print '  write start: related_html_'+str(filenum)     f = open(filename, 'w+', -1)     f.write(response_data)     #print content_data      f.close()     print '  write down: related_html_'+str(filenum)   except Exception, e:     print 'error occured 2'     print e   i = i+1 return   #建立檔案夾 dir_name = 'related_html_'+urllib.quote(keywords)if os.path.exists(dir_name):   print 'exists  file'   common.delete_dir_or_file(dir_name)os.makedirs(dir_name)   #抓取網頁 print 'start to scratch web pages:'for x in range(pages):  print "page:%s"%(x+1)  page = x * rnum_perpage  url = ('https://ajax.googleapis.com/ajax/services/search/web'                  '?v=1.0&q=%s&rsz=%s&start=%s') % (urllib.quote(keywords), rnum_perpage,page)  print url  t = threading.Thread(target=thread_scratch, args=(url,rnum_perpage, page))  t.start()#主線程等待子線程抓取完 main_thread = threading.currentThread()for t in threading.enumerate():  if t is main_thread:    continue  t.join()

