我选取的是爬取百度知道的html 作为我的搜索源数据，目前先打算做网页标题的搜索，选用了 Python 的 scrapy 库来对网页进行爬取，爬取网页的标题，url，以及html，用sqlist3来对爬取的数据源进行管理。

爬取的过程是一个深度优先的过程，设定四个起始 url ，然后维护一个数据库，数据库中有两个表，一个 infoLib，其中存储了爬取的主要信息：标题，url ，html；另一个表为urlLib，存储已经爬取的url，是一个辅助表，在我们爬取每个网页前，需要先判断该网页是否已爬过（是否存在urlLib中）。在数据存储的过程中，使用了SQL的少量语法，由于我之前学过 MySQL ，这块处理起来比较驾轻就熟。

深度优先的网页爬取方案是：给定初始 url，爬取这个网页中所有 url，继续对网页中的 url 递归爬取。代码逐段解析在下面，方便自己以后回顾。

1.建一个 scrapy 工程：

关于建工程，可以参看这个scrapy入门教程，通过运行:

[python] view plain copy

scrapy startproject ***

在当前目录下建一个scrapy 的项目，然后在 spiders 的子目录下建立一个 .py文件，该文件即是爬虫的主要文件，注意：其中该文件的名字不能与该工程的名字相同，否则，之后调用跑这个爬虫的时候将会出现错误，见ImportError。

2.具体写.py文件：

[python] view plain copy

import scrapy

from scrapy import Request

import sqlite3

class rsSpider(scrapy.spiders.Spider):#该类继承自 scrapy 中的 spider

name = "zhidao" #将该爬虫命名为 “知道”，在执行爬虫时对应指令将为： scrapy crawl zhidao

#download_delay = 1 #只是用于控制爬虫速度的，1s/次，可以用来对付反爬虫

allowed_domains = ["zhidao.baidu.com"]#允许爬取的作用域

url_first = 'http://zhidao.baidu.com/question/' #用于之后解析域名用的短字符串

start_urls = ["http://zhidao.baidu.com/question/647795152324593805.html", #python

"http://zhidao.baidu.com/question/23976256.html", #database

"http://zhidao.baidu.com/question/336615223.html", #C++

"http://zhidao.baidu.com/question/251232779.html", #operator system

"http://zhidao.baidu.com/question/137965104.html" #Unix programing

] #定义初始的 url ，有五类知道起始网页

#add database

connDataBase = sqlite3.connect("zhidao.db") #连接到数据库“zhidao.db”

cDataBase = connDataBase.cursor()#设置定位指针

cDataBase.execute('''''CREATE TABLE IF NOT EXISTS infoLib

(id INTEGER PRIMARY KEY AUTOINCREMENT,name text,url text,html text)''')

#通过定位指针操作数据库，若zhidao.db中 infoLib表不存在，则建立该表，其中主键是自增的 id（用于引擎的docId）,下一列是文章的标题，然后是url，最后是html

#url dataBase

cDataBase.execute('''''CREATE TABLE IF NOT EXISTS urlLib

(url text PRIMARY KEY)''')

#通过定位指针操作数据库，若zhidao.db中urlLib表不存在，则建立该表，其中只存了 url，保存已经爬过的url，之所以再建一个表，是猜测表的主键应该使用哈希表存储的，查询速度较快，此处其实也可以用一个外键将两个表关联起来

2. .py文件中的parse函数：

.py文件中的parse函数将具体处理url返回的 response，进行解析，具体代码中说明：

[python] view plain copy

def parse(self,response):

pageName = response.xpath('//title/text()').extract()[0] #解析爬取网页中的名称

pageUrl = response.xpath("//head/link").re('href="(.*?)"')[0] #解析爬取网页的 url，并不是直接使用函数获取，那样会夹杂乱码

pageHtml = response.xpath("//html").extract()[0] #获取网页html

# judge whether pageUrl in cUrl

if pageUrl in self.start_urls:

#若当前url 是 start_url 中以一员。进行该判断的原因是，我们对重复的 start_url 中的网址将仍然进行爬取，而对非 start_url 中的曾经爬过的网页将不再爬取

self.cDataBase.execute('SELECT * FROM urlLib WHERE url = (?)',(pageUrl,))

lines = self.cDataBase.fetchall()

if len(lines): #若当前Url已经爬过

pass #则不再在数据库中添加信息，只是由其为跟继续往下爬

else:#否则，将信息爬入数据库

self.cDataBase.execute('INSERT INTO urlLib (url) VALUES (?)',(pageUrl,))

self.cDataBase.execute("INSERT INTO infoLib (name,url,html) VALUES (?,?,?)",(pageName,pageUrl,pageHtml))

else: #此时进入的非 url 网页一定是没有爬取过的（因为深入start_url之后的网页都会先进行判断，在爬取，在下面的for循环中判断）

self.cDataBase.execute('INSERT INTO urlLib (url) VALUES (?)',(pageUrl,))

self.cDataBase.execute("INSERT INTO infoLib (name,url,html) VALUES (?,?,?)",(pageName,pageUrl,pageHtml))

self.connDataBase.commit() #保存数据库的更新

print "-----------------------------------------------" #输出提示信息，没啥用

for sel in response.xpath('//ul/li/a').re('href="(/question/.*?.html)'): #抓出所有该网页的延伸网页，进行判断并对未爬过的网页进行爬取

sel = "http://zhidao.baidu.com" + sel #解析出延伸网页的url

self.cDataBase.execute('SELECT * FROM urlLib WHERE url = (?)',(sel,)) #判断该网页是否已在数据库中

lines = self.cDataBase.fetchall()

if len(lines) == 0: #若不在，则对其继续进行爬取

yield Request(url = sel, callback=self.parse)

百度搜索有专门的接口，使用相应的API接口调用吧。你这直接调用它的主页，需要解决很多问题的。

这段代码访问的是百度主页,这里头不仅仅只是表面上的这些参数在起作用，还有cookie,session等在起作用，百度会通过这些信息对搜索信息进行整理，用于生成大数据集（比如哪个区域的人偏爱查询哪些词之类的），你的机子没有这些信息，调用百度主页进行搜索就会有问题。

请参照以下代码

起调百度地图API

import requests

from bs4 import BeautifulSoup

word='爬虫'

url='https://www.baidu.com/s?ie=utf-8&cl=2&rtt=1&bsst=1&tn=news&word=%s'%word

headers={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1 Win64 x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'}

req=requests.get(url,headers=headers)

soup=BeautifulSoup(req.content,'lxml')

text=soup.select('div[id="header_top_bar"] span')

print(text[0].text)

---