php多线程抓取网页(GoogleWebSearchAPI+多线程文档中的抓取Goolge搜索链接)

　　php多线程抓取网页(GoogleWebSearchAPI+多线程文档中的抓取Goolge搜索链接)

　　1）urllib2+BeautifulSoup 抓取Goolge 搜索链接

　　最近参与项目需要处理谷歌搜索结果，之前学习了与处理网页相关的Python工具。在实际应用中，urllib2和beautifulsoup是用来抓取网页的，但是在抓取谷歌搜索结果的时候，我发现如果直接处理谷歌搜索结果页面的源码，会得到很多“脏”的链接。

　　看下图搜索“titanic james”的结果：

　　

　　图中红色标注的不需要，蓝色标注的需要抓取处理。

　　这种“脏链接”当然可以通过常规过滤的方式过滤掉，但是程序的复杂度很高。就在我一脸悲伤地写过滤规则的时候。同学提醒谷歌应该提供相关的api，突然就明白了。

　　(2）Google 网页搜索 API+多线程

　　该文档提供了使用 Python 进行搜索的示例：

　　图中红色标注的不需要，蓝色标注的需要抓取处理。

　　这种“脏链接”当然可以通过常规过滤的方式过滤掉，但是程序的复杂度很高。就在我一脸悲伤地写过滤规则的时候。同学提醒谷歌应该提供相关的api，突然就明白了。

　　(2）Google 网页搜索 API+多线程

　　该文档提供了使用 Python 进行搜索的示例：

　　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..

　　在实际应用中，可能需要抓取Google的很多网页，因此需要使用多线程来分担抓取任务。使用google web search api的详细介绍请看这里（这里介绍了Standard URL Arguments）。另外要特别注意的是url中的参数rsz必须是8（包括8）以下的值。如果大于8会报错！

　　(3）代码实现

　　代码实现还存在问题，但是可以运行，健壮性差，有待改进。希望各位大神指出错误（初学者Python），万分感谢。

　　#-*-coding:utf-8-*-

import urllib2,urllib

import simplejson

import os, time,threading

import common, html_filter

#input the keywords

keywords = raw_input('Enter the keywords: ')

#define rnum_perpage, pages

rnum_perpage=8

pages=8

#定义线程函数

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']

#处理链接

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()

#过滤文件

#content_data = html_filter.filter_tags(response_data)

#写入文件

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

#创建文件夹

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)

#抓取网页

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()

#主线程等待子线程抓取完

main_thread = threading.currentThread()

for t in threading.enumerate():

if t is main_thread:

continue

t.join()

　　

　　免责声明：本文原创发表于php中文网。转载请注明出处。感谢您的尊重！如果您有任何疑问，请与我们联系