《开源精选》是我们分享Github、Gitee等开源社区中优质项目的栏目,包括技术、学习、实用与各种有趣的内容。本期推荐的是一个使用 Python/ target=_blank class=infotextkey>Python 编写的轻量级百度爬虫——BAIduSpider。
BaiduSpider 是一个使用 Python 编写的轻量级百度爬虫。它基于 Requests 和 BeautifulSoup 构建,并提供了易用的 API 接口以及完善的类型注释,提升开发者的使用体验。
依赖环境:
Python 3.6+
使用pip安装:
$ pip install baiduspider
从 GitHub 手动安装:
$ git clone git@github.com:BaiduSpider/BaiduSpider.git
# ...
$ python setup.py install
百度网页搜索,也可以作为综合搜索使用。
BaiduSpider.search_web(
self: BaiduSpider,
query: str,
pn: int = 1,
exclude: list = [],
proxies: Union[dict, None] = None,
) -> WebResult
参数
实例
基本的调用:这是一个最基本的参数—— query 。它用于传递搜索词(字符串类型)。
# 导入BaiduSpider
from baiduspider import BaiduSpider
from pprint import pprint
# 实例化BaiduSpider
spider = BaiduSpider()
# 搜索网页
pprint(spider.search_web(query="要搜索的关键词").plain)
指定页码:你可以通过设置 pn 参数来更改 BaiduSpider 所获取的页码。
from baiduspider import BaiduSpider
from pprint import pprint
spider = BaiduSpider()
# 搜索网页,并传入页码参数(此处为第二页)
pprint(spider.search_web(query="要搜索的关键词", pn=2).plain)
注意:传入页码参数的时候一定要小心,务必不要传入过大的页码,否则百度搜索会自动跳转回第一页。
屏蔽特定的搜索结果:这个参数可以为你提供很大的便捷。通过设置 exclude 列表,你可以屏蔽某些特定的网页搜索子搜索结果来提高解析速度。
from baiduspider import BaiduSpider
from pprint import pprint
spider = BaiduSpider()
# 搜索网页,并传入要屏蔽的结果
# 在本样例中,屏蔽了贴吧和博客
pprint(spider.search_web(query="要搜索的关键词", exclude=["tieba", "blog"]).plain)
exclude 的值可以包含:["news", "video", "baike", "tieba", "blog", "gitee", "related", "calc"],分别表示:资讯,视频,百科,贴吧,博客,Gitee代码仓库,相关搜索,计算。 exclude 的值也可以是["all"],表示屏蔽除了普通搜索结果外的所有搜索结果。实例:
from baiduspider import BaiduSpider
from pprint import pprint
spider = BaiduSpider()
# 搜索网页,并传入要屏蔽的结果
# 在本样例中,屏蔽了所有非普通的搜索结果
pprint(spider.search_web(query="要搜索的关键词", exclude=["all"]).plain)
如果 exclude 中包含all且还有其他参数,那么将按照只有all的方式过滤搜索结果。
按时间筛选: time 参数能够实现更精准的搜索。 time 的取值可以是一个字符串或者是一个由 datetime.datetime 组成的元组。比如,使用字符串形式:
from baiduspider import BaiduSpider
from pprint import pprint
spider = BaiduSpider()
# 搜索网页,仅显示时间段内的搜索结果
# 在本样例中,筛选后仅显示一周内的搜索结果
pprint(spider.search_web(query="要搜索的关键词", time="week").plain)
此功能使用百度内置的搜索时间筛选器筛选结果,并非使用程序筛选。在这个样例中, time 的值是"week",代表筛选一周内的搜索结果。 time 的可选值如下:["day", "week", "month", "year"]。分别表示:一天内、一周内、一月内、一年内。除此以外,BaiduSpider 还支持自定义时间段。例如:
from baiduspider import BaiduSpider
from pprint import pprint
from datetime import datetime
spider = BaiduSpider()
# 在本样例中,筛选后仅显示2020.1.5 - 2020.4.9的搜索结果
pprint(spider.search_web(query="要搜索的关键词", time=(datetime(2020, 1, 5), datetime(2020, 4, 9))).plain)
在这个样例中, time 的值是一个元组(tuple)。元组的第一个值是起始时间,第二个值是结束时间。BaiduSpider会把他们都转化成 time.time() 形式的浮点数(然后仅保留整数),所以你也可以将 datetime 替换为一个整数。
—END—
此项目使用GPL3.0开源协议,更多功能大家可自行前往阅读。
开源地址:https://github.com/BaiduSpider/BaiduSpider