如何将 Python 抓取的 Bing 网页内容转换为人类可读的？

Question

我正在玩使用 python 抓取 Bing 网络搜索页面。 我发现接收到的原始内容看起来像字节类型，但尝试解压缩它失败了。 有人知道这是什么类型的数据，我应该如何从这些原始内容中提取可读的内容？ 谢谢！

我的代码显示原始内容，然后尝试执行 gunzip，因此您可以看到原始内容以及解压错误。 由于原始内容太长，我只粘贴下面的前几行。

代码：

import urllib.request as Request
import gzip

req = Request.Request('www.bing.com')
req.add_header('upgrade-insecure-requests', 1)
res = Request.urlopen(req).read()
print("RAW Content: %s" %ResPage) # show raw content of web
print("Try decompression:")
print(gzip.decompress(ResPage))   # try decompression

结果：

RAW Content: b'+p\xe70\x0bi{)\xee!\xea\x88\x9c\xd4z\x00Tgb\x8c\x1b\xfa\xe3\xd7\x9f\x7f\x7f\x1d8\xb8\xfeaZ\xb6\xe3z\xbe\'\x7fj\xfd\xff+\x1f\xff\x1a\xbc\xc5N\x00\xab\x00\xa6l\xb2\xc5N\xb2\xdek\xb9V5\x02\t\xd0D \x1d\x92m%\x0c#\xb9>\xfbN\xd7\xa7\x9d\xa5\xa8\x926\xf0\xcc\'\x13\x97\x01/-\x03... ...

Try decompression:
Traceback (most recent call last):
OSError: Not a gzipped file (b'+p')


Process finished with exit code 1

Answer 1

开始使用请求库要容易得多。 另外，这也是当今HTTP请求最常用的库。

在您的python环境中安装请求：

pip install requests

在您的.py文件中：

import requests

r = requests.get("http://www.bing.com")

print(r.text)

Answer 2

除了Zilong Li 的回答，您还需要通过一个user-agent来请求headers以充当“真正的”用户访问。

如果在使用requests库时没有user-agent被传递到请求headers ，它默认为python-requests，所以 Bing 或其他搜索引擎会理解它是一个机器人/脚本，并阻止请求。 检查您的user-agent是什么。

使用requests库传递user-agent ：

headers = {
    'User-agent':
    'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36 Edge/18.19582'
}

requests.get('URL', headers=headers)

如何减少网页抓取搜索引擎被拦截的机会。

---

或者，您可以使用 SerpApi 的Bing Organic Results API实现相同的目的。 这是一个带有免费计划的付费 API。

不同之处在于您不必花时间试图绕过 Bing 或其他搜索引擎的阻止。 相反，应关注需要从结构化 JSON 中提取的数据。 看看操场。

免责声明，我为 SerpApi 工作。