如何一次抓取超过 100 google 个页面

Question

我正在使用 python 中的请求库从 google 结果中获取 GET 数据。 https://www.google.com.pk/#q=pizza&num=10 will return first 10 results of google as I mentioned num=10. Ultimately https://www.google.com.pk/#q=pizza&num=100 将 return 100 个结果 google 个结果。

但是

如果我写任何超过 100 的数字让 https://www.google.com.pk/#q=pizza&num=200 ，google 仍然是 return 前 100 个结果

怎么才能一次过100多？

代码：

import requests
url = 'http://www.google.com/search'
my_headers = { 'User-agent' : 'Mozilla/11.0' }
payload = { 'q' : pizza, 'start' : '0', 'num' : 200 }
r = requests.get( url, params = payload, headers = my_headers )

在 "r" 中，我只得到 URL 的 google 前 100 个结果，而不是 200

Answer 1

您可以使用 google 中更具编程性的 api 来获取结果，而不是尝试通过屏幕抓取人工搜索界面，没有错误检查或断言这符合所有 google 条款和条件，建议您查看使用此 url:

的详细信息

import requests

def search(query, pages=4, rsz=8):
    url = 'https://ajax.googleapis.com/ajax/services/search/web'
    params = {
        'v': 1.0,     # Version
        'q': query,   # Query string
        'rsz': rsz,   # Result set size - max 8
    }

    for s in range(0, pages*rsz+1, rsz):
        params['start'] = s
        r = requests.get(url, params=params)
        for result in r.json()['responseData']['results']:
            yield result

例如'google':

获得 200 个结果

>>> list(search('google', pages=24, rsz=8))
[{'GsearchResultClass': 'GwebSearch',
  'cacheUrl': 'http://www.google.com/search?q=cache:y14FcUQOGl4J:www.google.com',
  'content': 'Search the world&#39;s information, including webpages, images, videos and more. \n<b>Google</b> has many special features to help you find exactly what you&#39;re looking\xa0...',
  'title': '<b>Google</b>',
  'titleNoFormatting': 'Google',
  'unescapedUrl': 'https://www.google.com/',
  'url': 'https://www.google.com/',
  'visibleUrl': 'www.google.com'},
  ...
]

要使用 Google 的自定义搜索 API，您需要注册为开发人员。您每天获得 100 个免费查询（我不确定那是 API 调用还是它允许对同一查询的分页计为 1 个查询）：

报名@https://console.developers.google.com
创建项目
创建 key
启用自定义搜索API
创建自定义搜索引擎@https://cse.google.com
- 使用虚拟站点初始化 CSE
- 编辑自定义搜索引擎以搜索整个网络
- 删除虚拟站点
获取 CSE 参考（查看 public URL for cx=<cse reference>）

您可以使用 requests 进行查询：

import requests
url = 'https://www.googleapis.com/customsearch/v1'
params = {
    'key': '<key>',
    'cx': '<cse reference>',
    'q': '<search>',
    'num': 10,
    'start': 1
}

resp = requests.get(url, params=params)
results = resp.json()['items']

使用 start 您可以进行与上述类似的分页。

还有许多其他可用参数，您可以查看 CSE 的 REST 文档：https://developers.google.com/custom-search/json-api/v1/reference/cse/list#request

Google 也有一个 client-api 库：pip install google-api-python-client 你也可以使用：

from googleapiclient import discovery
service = discovery.build('customsearch', 'v1', developerKey='<key>')
params = {
    'q': '<query>',
    'cx': '<cse reference>',
    'num': 10,
    'start': 1
}
query = service.cse().list(**params)
results = query.execute()['items']

Answer 2

您可以为此目的使用浏览器自动化。我用它来抓取图像列表。使用浏览器自动化，您可以单击下一个或上一个按钮并取消结果。我无法粘贴代码。

如何一次抓取超过 100 google 个页面

How to scrape more than 100 google pages in one pass

python

html-parsing

web-scraping

google-custom-search

python-requests