[英]Scrape Google with Python - What is the correct URL for requests.get?
目标:我想验证,如果特定的谷歌搜索在右侧有建议的结果,并且 - 如果有这样的建议 - 抓取一些信息,如公司类型/地址等。
方法:我想使用带有 Requests 和 BeautifulSoup4 的 Python 爬虫
import bs4
import requests
address='https://www.google.co.ve/?gws_rd=cr&ei=DgBqVpWJMoPA-gHy25fACg#q=caracas+arepa'
page = requests.get(address)
soup = bs4.BeautifulSoup(page.content,'html.parser')
print (soup.prettify())
问题:
请求的页面不包括搜索结果(我不确定谷歌页面上的某些变量是否设置为不可见?),而只有谷歌页面的 header 和页脚
问题:
获取所述信息的替代方法? 有任何想法吗?
一旦我用描述的方法获得了结果,但是各自的地址构造不同(我记得谷歌URL中的许多数字,但不幸的是无法重现搜索地址)。 因此:是否需要 Google URL 才能通过 requests.get 抓取?
从诸如Google Places之类的服务中获取信息的最佳方法几乎总是官方API 。 就是说,如果您对抓取行为一无所知,那么HTTP请求返回的内容很可能是供浏览器呈现的。 BeautifulSoup所做的并不等同于呈现接收到的数据,因此很可能您只是获得了无用的空容器,这些容器随后会动态填充。
我认为您的问题类似于google-search-with-python-reqeusts ,也许您可以从中获得一些帮助〜
我同意LiterallyElvis的观点,API比直接爬网更好。
最后,如果您想使用这项工作的请求,我建议使用PhantomJS和selenium来模拟浏览器的工作,因为Google应该使用一些AJAX技术,从而在真实的浏览器和搜寻器之间产生不同的视图。
由于在Google难以访问的国家/地区,我无法直接重复您的问题,以上是我可以考虑的内容,希望对您有所帮助
您需要包含所有所需数据的select_one()
元素(容器)并检查它if
存在,如果存在,则抓取数据。
确保您使用user-agent
来充当“真实”用户访问,否则您的请求可能会被阻止,或者您会收到带有不同选择器的不同 HTML。检查你的user-agent
是什么。
from bs4 import BeautifulSoup
import requests, lxml
params = {
"q": "caracas arepa bar google",
"gl": "us"
}
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.87 Safari/537.36"
}
html = requests.get("https://www.google.com/search", params=params, headers=headers, timeout=30)
soup = BeautifulSoup(html.text, "lxml")
# if right side knowledge graph is present -> parse the data.
if soup.select_one(".liYKde"):
place_name = soup.select_one(".PZPZlf.q8U8x span").text
place_type = soup.select_one(".YhemCb+ .YhemCb").text
place_reviews = soup.select_one(".hqzQac span").text
place_rating = soup.select_one(".Aq14fc").text
print(place_name, place_type, place_reviews, place_rating, sep="\n")
# output:
'''
Caracas Arepa Bar
Venezuelan restaurant
1,123 Google reviews
4.5
'''
或者,您可以使用来自 SerpApi 的Google 知识图谱 API实现相同的目的。 这是带有免费计划的付费 API。
最大的区别是您不需要弄清楚如何解析数据、增加请求数量、绕过 Google 和其他搜索引擎的阻止。
from serpapi import GoogleSearch
params = {
"api_key": "YOUR_API_KEY",
"engine": "google",
"q": "caracas arepa bar place",
"hl": "en"
}
search = GoogleSearch(params)
results = search.get_dict()
print(json.dumps([results["knowledge_graph"]], indent=2))
# part of the output:
'''
[
{
"title": "Caracas Arepa Bar",
"type": "Venezuelan restaurant",
"place_id": "ChIJVcQ2ll9ZwokRwmkvsArPXyo",
"website": "http://caracasarepabar.com/",
"description": "Arepa specialist offering creative, low-priced renditions of the Venezuelan corn-flour staple.",
"local_map": {
"image": "https://www.google.com/maps/vt/data=TF2Rd51PtEnU2M3pkZHYHKdSwhMDJ_ZwRfg0vfwlDRAmv1u919sgFl8hs_lo832ziTWxCZM9BKECs6Af-TA1hh0NLjuYAzOLFA1-RBEmj-8poygymcRX2KLNVTGGZZKDerZrKW6fnkONAM4Ui-BVN8XwFrwigoqqxObPg8bqFIgeM3LPCg",
"link": "https://www.google.com/maps/place/Caracas+Arepa+Bar/@40.7131972,-73.9574167,15z/data=!4m2!3m1!1s0x0:0x2a5fcf0ab02f69c2?sa=X&hl=en",
"gps_coordinates": {
"latitude": 40.7131972,
"longitude": -73.9574167,
"altitude": 15
}
} ... much more results including place images, popular times, user reviews.
}
]
'''
免责声明:我为 SerpApi 工作。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.