python - 关注 Google 结果的前 5 页 Python Mechanize

Question

我目前只抓取谷歌查询结果的第一页，但我想抓取前 5 页。

获取如下字符串:https://encrypted.google.com/search?hl=en&q=site%3Asomedomain.com&start=0

变量 urls 获取第一页的所有 10 个结果，但我开始添加条件以检查第一页上的 10 个 url，如果是这样并且有 10 个 url，我想要它继续转到下一个网址，例如(假设下一个 url 也有 10 个结果)使用类似 follow_link() 和以下 urls 的东西:

https://encrypted.google.com/search?hl=en&q=site%3Asomedomain.com&start=10
https://encrypted.google.com/search?hl=en&q=site%3Asomedomain.com&start=20
https://encrypted.google.com/search?hl=en&q=site%3Asomedomain.com&start=30
https://encrypted.google.com/search?hl=en&q=site%3Asomedomain.com&start=40
https://encrypted.google.com/search?hl=en&q=site%3Asomedomain.com&start=50

我该怎么做呢？谁能帮帮我？

Answer 1

您可以使用 BeautifulSoup 来定位带有下一页链接的元素:

from mechanize import Browser
from bs4 import BeautifulSoup

br = Browser()
br.set_handle_robots(False)
br.addheaders = [('User-agent', 'Mozilla/5.0 (Windows NT 6.2;\
                    WOW64) AppleWebKit/537.11 (KHTML, like Gecko)\
                    Chrome/23.0.1271.97 Safari/537.11')]

url = "https://encrypted.google.com/search?hl=en&q=site%3Asomedomain.com&start=0"

r = br.open(url)

soup = BeautifulSoup(r)

nextpage = soup.find("a", {"id": "pnnext"})
print nextpage['href']

输出:

/search?q=site:somedomain.com&hl=en&ei=NJ4HUo2yM-TK4ATJlYGICQ&start=10&sa=N

现在您有了指向下一页的链接。如果未找到元素，则它是最后一页