Python与seo工具脚本,360/搜狗相关搜索词采集源码参考

搜索引擎相关搜索词应该是不少seoer在寻找和选择使用的关键词拓展类别,除开热门的百度相关搜索词采集,当然还有360搜索引擎以及搜狗搜索引擎,当然知道方法以后,应用python来实现,基本都是大同小异,你唯一需要关心的是词本身,以及反爬的限制!

这不,本渣渣就是第二次在360搜索上翻车了,注意,这是第二次,第一次,处女翻车还是在采集360搜索问答的时候翻的车,真是好了伤疤忘了疼,太久远了!!

pic_001.png

360搜索大力出奇迹,不对,大力出验证码。。

本渣渣这里实现相关关键词的获取是采用了正则,参考了不少源码,都是采用正则比较方便快捷的!

360搜索相关关键词关键源码

re.findall(r'<a data-ext=".+?" href=".+?">(.+?)</a>', html, re.S | re.I)

搜狗搜索相关关键词关键源码

re.findall(r'<p><a href=".+?" id="sogou_99999_.+?">(.+?)</a></p>', html, re.S | re.I)

可自行参考学习,毕竟没有好讲的!

附上一个360搜索相关关键词采集的源码,供大家参考和学习!PS:代码不是我写的,本渣渣学废了,怎么写的出?!

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
360相关搜索词挖掘脚本(多线程版)
基于python3.8
需要安装requests模块
@author:微信/huguo00289
"""

import re
from queue import Queue
from threading import Thread
import requests,random



class Qh360Spider(Thread):
    result = {}  # 保存结果字典
    seen = set()  # 表示在队列中的关键词(已抓取或待抓取)


    def __init__(self, kw_queue, loop, failed):
        super(Qh360Spider, self).__init__()
        self.kw_queue = kw_queue  # 关键词队列
        self.loop = loop  # 循环挖词拓展次数
        self.failed = failed  # 保存查询失败的关键词文件
        self.ua_list = [
            'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
            'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
            'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
            'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
            'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
            'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
            'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
            'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
        ]


    def run(self):  # 程序的执行流程
        while True:
            # 从队列里面获取一个关键词及其对应的当前拓展次数
            kw, cloop = self.kw_queue.get()
            print('CurLoop:{} Checking: {}'.format(cloop, kw))
            query = 'https://www.so.com/s?q={}'.format(kw)  # 构建含关键词的url
            try:
                source = self.download(query, timeout=10)
                # source = self.download(query,timeout=10,user_agent=self.ua)
                if source:
                    kw_list = self.extract(source)
                    print(kw_list)
                    self.filter(cloop, kw_list)
                else:
                    # 获取源码失败,保存查询失败的关键词
                    self.failed.write('{}\n'.format(kw))
            finally:
                self.kw_queue.task_done()



    def download(self, url, timeout=5, proxy=None, num_retries=5):
        """
        通用网页源码下载函数
        :param url: 要下载的url
        :param timeout: 请求超时时间,单位/秒。可能某些网站的反应速度很慢,所以需要一个连接超时变量来处理。
        :param user_agent: 用户代理信息,可以自定义是爬虫还是模拟用户
        :param proxy: ip代理(http代理),访问某些国外网站的时候需要用到。必须是双元素元组或列表(‘ip:端口’,‘http/https’)
        :param num_retries: 失败重试次数
        :return: HTML网页源码
        """
        headers = {
            "Cookie": "QiHooGUID=41F80B0CCE5D43A22EEF0305A12CDE3F.1596003342506; __guid=15484592.2994995584481314300.1596003341831.5723; soid=TjzBKt3zrO-Rh1S7fXSb0S!6kmX5TlEerB2URZz9v4; __md=667cb161f9515972323507763d8fa7dd643a65bd2e88034.9; dpr=1; isafe=1; webp=1; _uc_m2=886a48052dbb9e2291f80055746e0d4f1f110f922b2f; _uc_mid=7cb161f953d8fa7dd643a65bd2e88034; __huid=11xZqhEl%2FfVeqclI4j%2BdQeQvX63Oph%2F%2BCVM5vxqYGxQI4%3D; Q=u%3Duhthb002%26n%3D%26le%3DAwH0ZGV5ZGR3WGDjpKRhL29g%26m%3DZGH5WGWOWGWOWGWOWGWOWGWOZGL0%26qid%3D144048053%26im%3D1_t018c25fbb66797efb2%26src%3D360chrome%26t%3D1; T=s%3D2afa764886f737dd5d23421c30f87a1f%26t%3D1595934758%26lm%3D0-1%26lf%3D2%26sk%3De485bbde46ac34fc27fc40215de76c44%26mt%3D1595934758%26rc%3D1%26v%3D2.0%26a%3D1; _S=tg75a7e3fmv0mfdfkt8jlpfpj6; stc_ls_sohome=RRzRSR!RTR(RUR_RVR; gtHuid=1; homeopenad=1; _pp_wd=1; _ga=GA1.2.607533084.1598082638; _gid=GA1.2.1887117715.1598082638; count=6; erules=p1-9%7Cp2-11%7Cp4-3%7Cecl-2%7Ckd-1%7Cp3-2",
            'User-Agent': random.choice(self.ua_list)
        }
        try:
            # 打开网页并读取内容存入html变量中
            resp = requests.get(url, headers=headers, proxies=proxy, timeout=timeout)
            print(resp.status_code)
        except requests.RequestException as err:
            print('Download error:', err)
            html = None  # 如果有异常,那么html肯定是没获取到的,所以赋值None
            if num_retries > 0:
                return self.download(url, timeout, proxy, num_retries - 1)
        else:
            html = resp.content.decode('utf-8')
            #print(html)
        return html


    @staticmethod
    def extract(html):
        '''
        提取关键词
        :param html:搜索结果源码
        :return:提取出来的相关关键词列表

        '''

        return re.findall(r'<a data-ext=".+?" href=".+?">(.+?)</a>', html, re.S | re.I)




    def filter(self, current_loop, kwlist):
        '''
        关键词过滤和统计函数
        :param current_loop: 当前拓展的次数
        :param kwlist: 提取出来的关键词列表
        :return: None
        '''
        for kw in kwlist:
            # 判断关键词是不是已经被抓取或者已经存在关键词队列
            # 判断当前的拓展次数是否已经超过指定值
            if current_loop < self.loop and kw not in self.seen:
                # 同时满足关键词的拓展次数小于目标次数,而且关键词不在seen里面时才把kw放到待抓取队列内
                self.kw_queue.put((kw, current_loop+1))
                Qh360Spider.seen.add(kw)
            # 将关键词放到结果字典内,并统计出现次数
            if kw in self.result:
                Qh360Spider.result[kw] += 1
            else:
                Qh360Spider.result[kw] = 1




if __name__ == '__main__':
    # 创建关键词队列实例
    k_queue = Queue()
    # 将待抓取关键词放入队列已经类的seen属性中
    with open('keywords.txt', encoding="GBK") as kwfile:
        for key in kwfile:
            key = key.strip()
            k_queue.put((key, 1))
            Qh360Spider.seen.add(key)

    # 创建查询失败保存文件
    check_failed = open('faileds.txt', 'w')
    # 创建线程
    for i in range(15):
        bds = Qh360Spider(k_queue, 3, check_failed)
        bds.setDaemon(True)
        bds.start()
    # 阻塞关键词队列,直到完成
    k_queue.join()
    # 关闭查询失败的文件
    check_failed.close()

    # 对结果进行排序及写入文件
    sort_list = sorted(Qh360Spider.result.items(), key=lambda x: x[1], reverse=True)
    with open('ah360key.txt', 'w', encoding='utf8') as save:
        for item in sort_list:
            # 关键词+次数的文件输出方式
            line = '%s\n' % (item[0])
            if len(line) > 0:
                print("有东西")
            print('111')
            save.write(line)
            save.flush()  # 刷新缓存,避免中途出错
        save.close()
    print('done,完成挖掘')

如果没有接入ip代理,超级容易和谐,毕竟大力出验证码,试了一下,速度还是可以,就是太容易被360搜索反爬封禁了,如果想要正常稳定运行,不知道接入代理ip情况如何,同时还得有一个cookies库!