York_Zhou 发表于 2024-7-21 11:48:15

Python爬取百度搜索结果显示0

RT,不太懂为什么,基本思路就是直接开爬然后历遍,查了好几次F12也没看出来哪里有问题
import requests
from bs4 import BeautifulSoup
import pandas as pd
from time import sleep
import re
import random
import os

headers = {
      "User-Agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
      "Connection":"keep-alive",
      "Accept":"text/html,application/xhtml+xml,application/xml;q=8.9,image/avif.image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
      "Accept-Encoding":"gzip,deflate",
      "Host":"www.baidu.com",
      "Cookie": "PSTM=1701005830; BIDUPSID=3847DE4A87F6BBA415E599085D83A664; BAIDUID=15153A5F7368E797908F9D80E823DA32:FG=1; BD_UPN=12314753; H_WISE_SIDS_BFESS=60360; MCITY=-360%3A; BDUSS=lrTlh4NTFOV2d2aVFDTWk0V20ySGNIZDJKT09QMFA0cHFyWkJ5QkxDZkZ1Y0ZtRVFBQUFBJCQAAAAAAAAAAAEAAAAPPSBIWW9ya19oYXBweQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAMUsmmbFLJpmQ2; BDUSS_BFESS=lrTlh4NTFOV2d2aVFDTWk0V20ySGNIZDJKT09QMFA0cHFyWkJ5QkxDZkZ1Y0ZtRVFBQUFBJCQAAAAAAAAAAAEAAAAPPSBIWW9ya19oYXBweQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAMUsmmbFLJpmQ2; H_PS_PSSID=60449_60359_60468_60440_60491_60501; H_WISE_SIDS=60449_60359_60468_60440_60491_60501; BAIDUID_BFESS=15153A5F7368E797908F9D80E823DA32:FG=1; BA_HECTOR=8lah8l8l05a12524ak20a5a1152kgl1j9ovqd1u; ZFY=wQT92WwXTov0LZiyOtHB0sWFAGuHJDp:BwvWiwRx018g:C; delPer=0; BD_CK_SAM=1; PSINO=1; BDRCVFR=mk3SLVN4HKm; BDORZ=FFFB88E999055A3F8A630C64834BD6D0; H_PS_645EC=41244eUtCO11J%2FCYVZbKoFXLf9Q%2B2xUUYIMe%2FpRqCMbzuDBa9I%2FRH69TQ6cCalLJyL%2F7ag"
    }
def search(v_keyword,v_result_file,v_max_pages):

    for page in range(v_max_pages):
      print("开始爬取第{}行".format(page+1))
      wait_seconds = random.uniform(1,2)
      print("开始等待{}行".format(wait_seconds))
      sleep(wait_seconds)
      url = 'https://www.baidu.com/s?wd='+ v_keyword+ '&pn=' + str(page * 10)
      response = requests.get(url, headers=headers)
      response.encoding = 'utf-8'
      html = response.text
      print("响应码是:{}",format(response.status_code))
      print(response.text)
      soup = BeautifulSoup(response.text, 'html.parser')
      result_list = soup.find_all('div', class_='result c-container new-pmd')
      print("正在爬取{},共查询到{}个结果".format(url,len(result_list)))
      kw_list = []
      page_list = []
      title_list = []
      href_list = []
      realurl_list = []
      desc_list = [] #简介
      site_list = [] #网站名称
      for result in result_list:
            title = result.find("a").text
            print("标题是",title)
            href = result.find("a")['href']
            realurl= get_real_url(v_url=href)
            try:
                desc = result.find(class_='c-abstract').text
            except:
                desc = ""
            try:
                site = result.find(class_='c-showurl c-color-gray').text
            except:
                site = ""
            kw_list.append(v_keyword)
            page_list.append(page+1)
            title_list.append(title)
            href_list.append(href)
            realurl_list.append(realurl)
            desc_list.append(desc)
            site_list.append(site)
      df = pd.DataFrame(
            {
                '关键词':kw_list,
                '页码':page_list,
                '标题':title_list,
                '百度链接':href_list,
                '真实链接':realurl_list,
                '简介':desc_list,
                '网站名称':site_list,
            }
      )   
      if os.path.exists(v_result_file):
            header = None
      else:
            header = ['关键词','页码','标题','百度链接', '真实链接','简介','网站名称']
      df.to_csv(v_result_file,mode="a+",index=False,header=header,encoding='utf_8_sig')
      print("数据保存成功:{}".format(v_result_file))

def get_real_url(v_url):
    r = requests.get(v_url,headers=headers,allow_redirects=False)
    if r.status_code == 382:
      real_url = r.headers.get("location")
    else:
      real_url = re.findall("URL = '(.*?)'",r.text)
    print("real_url is :",real_url)
    return real_url

if __name__ == '__main__':
    keyword = input("请输入关键词")
    max_pages = 5
    result_file = "爬取{}前{}页.csv".format(keyword,max_pages)
    if os.path.exists(result_file):
      os.remove(result_file)
      print("该爬取关键词存在已被删除")
   
search(v_keyword=keyword,v_result_file=result_file,v_max_pages=max_pages)


FishC 发表于 2024-7-21 11:49:38

嘿,鱼油!看你的代码,简直就像个士兵在执行任务,可以爬取百度搜索结果,但是它出现了一些“小错误”,导致结果显示为0。咱们来逐步分析并修复它,好吗?

1. **问题归类**:
   - 缺少初始化列表。
   - 错误的字符串格式化。
   - 百度网页结构变化,选择器选择不到元素。
   - 获取真实 URL 的逻辑可能有问题。

2. **逐项解决**:

首先,我们要确保定义初始的空列表。如果没有这些空列表,代码在赋值时就会报错。

然后,把字符串格式化的问题解决一下,`format`函数用法稍有不正确。

**Here's the fixed code:**

import requests
from bs4 import BeautifulSoup
import pandas as pd
from time import sleep
import re
import random
import os

headers = {
      "User-Agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
      "Connection":"keep-alive",
      "Accept":"text/html,application/xhtml+xml,application/xml;q=8.9,image/avif.image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
      "Accept-Encoding":"gzip,deflate",
      "Host":"www.baidu.com",
      "Cookie": "PSTM=1701005830; BIDUPSID=3847DE4A87F6BBA415E599085D83A664; BAIDUID=15153A5F7368E797908F9D80E823DA32:FG=1; BD_UPN=12314753; H_WISE_SIDS_BFESS=60360; MCITY=-360%3A; BDUSS=lrTlh4NTFOV2d2aVFDTWk0V20ySGNIZDJKT09QMFA0cHFyWkJ5QkxDZkZ1Y0ZtRVFBQUFBJCQAAAAAAAAAAAEAAAAPPSBIWW9ya19oYXBweQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAMUsmmbFLJpmQ2; BDUSS_BFESS=lrTlh4NTFOV2d2aVFDTWk0V20ySGNIZDJKT09QMFA0cHFyWkJ5QkxDZkZ1Y0ZtRVFBQUFBJCQAAAAAAAAAAAEAAAAPPSBIWW9ya19oYXBweQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAMUsmmbFLJpmQ2; H_PS_PSSID=60449_60359_60468_60440_60491_60501; H_WISE_SIDS=60449_60359_60468_60440_60491_60501; BAIDUID_BFESS=15153A5F7368E797908F9D80E823DA32:FG=1; BA_HECTOR=8lah8l8l05a12524ak20a5a1152kgl1j9ovqd1u; ZFY=wQT92WwXTov0LZiyOtHB0sWFAGuHJDp:BwvWiwRx018g:C; delPer=0; BD_CK_SAM=1; PSINO=1; BDRCVFR=mk3SLVN4HKm; BDORZ=FFFB88E999055A3F8A630C64834BD6D0; H_PS_645EC=41244eUtCO11J%2FCYVZbKoFXLf9Q%2B2xUUYIMe%2FpRqCMbzuDBa9I%2FRH69TQ6cCalLJyL%2F7ag"
    }

def search(v_keyword,v_result_file,v_max_pages):
    # 定义这些变量为list类型
    kw_list = []
    page_list = []
    title_list = []
    href_list = []
    realurl_list = []
    desc_list = []
    site_list = []

    for page in range(v_max_pages):
      print("开始爬取第{}行".format(page+1))
      wait_seconds = random.uniform(1,2)
      print("开始等待{}秒".format(wait_seconds))
      sleep(wait_seconds)
      url = 'https://www.baidu.com/s?wd='+ v_keyword+ '&pn=' + str(page * 10)
      response = requests.get(url, headers=headers)
      response.encoding = 'utf-8'
      html = response.text
      print("响应码是: {}".format(response.status_code))
      soup = BeautifulSoup(response.text, 'html.parser')
      
      result_list = soup.find_all('div', class_='c-container')
      print("正在爬取{},共查询到{}个结果".format(url,len(result_list)))

      for result in result_list:
            title = result.find("a").text
            print("标题是",title)
            href = result.find("a").get('href')
            realurl = get_real_url(v_url=href)
            try:
                desc = result.find(class_='c-abstract').text
            except:
                desc = ""
            try:
                site = result.find(class_='c-showurl').text
            except:
                site = ""
            
            kw_list.append(v_keyword)
            page_list.append(page+1)
            title_list.append(title)
            href_list.append(href)
            realurl_list.append(realurl)
            desc_list.append(desc)
            site_list.append(site)
      
      df = pd.DataFrame(
            {
                '关键词':kw_list,
                '页码':page_list,
                '标题':title_list,
                '百度链接':href_list,
                '真实链接':realurl_list,
                '简介':desc_list,
                '网站名称':site_list,
            }
      )   
      if os.path.exists(v_result_file):
            header = None
      else:
            header = True
      df.to_csv(v_result_file,mode="a+",index=False,header=header,encoding='utf_8_sig')
      print("数据保存成功:{}".format(v_result_file))

def get_real_url(v_url):
    r = requests.get(v_url,headers=headers,allow_redirects=False)
    if r.status_code == 302:
      real_url = r.headers.get("location")
    else:
      real_url = re.findall("URL = '(.*?)'",r.text)
    print("real_url is :",real_url)
    return real_url

if __name__ == '__main__':
    keyword = input("请输入关键词:")
    max_pages = 5
    result_file = "爬取{}前{}页.csv".format(keyword,max_pages)
    if os.path.exists(result_file):
      os.remove(result_file)
      print("该爬取关键词存在已被删除")
   
    search(v_keyword=keyword,v_result_file=result_file,v_max_pages=max_pages)

### 主要修正点:

1. **初始化列表**:确保 `kw_list`、`page_list` 等在函数内部开始处被定义。
2. **格式化字符串**:修正了 `.format()` 用法。
3. **选择器适配**:百度页面的 HTML 结构可能变了,所以你需要检查使用的选择器。
4. **获取真实 URL**:修正了应对重定向的状态码,将 `382` 修改为 `302`。

试试这个修改后的代码,应该能有所改进。如果还有问题,欢迎继续提问!祝你爬虫愉快,别让百度认为你是个“怪蜀黍”哦!

以上回复来自 FishC AI 小助理,如未能正确解答您的问题,请继续追问。
页: [1]
查看完整版本: Python爬取百度搜索结果显示0