谷歌搜索 Web 用 Python 抓取

Question

最近學習了很多 python 來做一些工作中的項目。

目前我需要用谷歌搜索結果做一些 web 抓取。 我找到了幾個演示如何使用 ajax google api 進行搜索的網站，但是在嘗試使用它之后，它似乎不再受支持。 有什么建議么？

我一直在尋找一種方法，但似乎找不到目前有效的任何解決方案。

Answer 1

您可以隨時直接抓取 Google 結果。 為此，您可以使用 URL https://google.com/search?q=<Query>這將返回前 10 個搜索結果。

然后你可以使用lxml來解析頁面。 根據您使用的內容，您可以通過 CSS-Selector ( .ra ) 或使用 XPath-Selector ( //h3[@class="r"]/a ) 查詢結果節點樹

在某些情況下，生成的 URL 會重定向到 Google。 通常它包含一個查詢參數q ，它將包含實際的請求 URL。

使用 lxml 和請求的示例代碼：

from urllib.parse import urlencode, urlparse, parse_qs

from lxml.html import fromstring
from requests import get

raw = get("https://www.google.com/search?q=StackOverflow").text
page = fromstring(raw)

for result in page.cssselect(".r a"):
    url = result.get("href")
    if url.startswith("/url?"):
        url = parse_qs(urlparse(url).query)['q']
    print(url[0])

關於谷歌禁止您的 IP 的說明：根據我的經驗，只有當您開始向谷歌發送搜索請求時，谷歌才會禁止。 如果 Google 認為您是機器人，它將以 503 響應。

Answer 2

這是另一種可用於抓取 SERP 的服務 ( https://zenserp.com ) 它不需要客戶端並且更便宜。

這是一個python代碼示例：

import requests

headers = {
    'apikey': '',
}

params = (
    ('q', 'Pied Piper'),
    ('location', 'United States'),
    ('search_engine', 'google.com'),
    ('language', 'English'),
)

response = requests.get('https://app.zenserp.com/api/search', headers=headers, params=params)

Answer 3

您有 2 個選擇。 自己構建或使用 SERP API。

SERP API 會將 Google 搜索結果作為格式化的 JSON 響應返回。

我會推薦 SERP API，因為它更易於使用，而且您不必擔心被 Google 屏蔽。

1. SERP API

我對scraperbox serp api有很好的經驗。

您可以使用以下代碼調用 API。 確保將YOUR_API_TOKEN替換為您的 scraperbox API 令牌。

import urllib.parse
import urllib.request
import ssl
import json
ssl._create_default_https_context = ssl._create_unverified_context

# Urlencode the query string
q = urllib.parse.quote_plus("Where can I get the best coffee")

# Create the query URL.
query = "https://api.scraperbox.com/google"
query += "?token=%s" % "YOUR_API_TOKEN"
query += "&q=%s" % q
query += "&proxy_location=gb"

# Call the API.
request = urllib.request.Request(query)

raw_response = urllib.request.urlopen(request).read()
raw_json = raw_response.decode("utf-8")
response = json.loads(raw_json)

# Print the first result title
print(response["organic_results"][0]["title"])

2. 構建你自己的 Python 爬蟲

我最近寫了一篇關於如何使用 Python 抓取搜索結果的深入博客文章。

這是一個快速總結。

首先，您應該獲得 Google 搜索結果頁面的 HTML 內容。

import urllib.request

url = 'https://google.com/search?q=Where+can+I+get+the+best+coffee'

# Perform the request
request = urllib.request.Request(url)

# Set a normal User Agent header, otherwise Google will block the request.
request.add_header('User-Agent', 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36')
raw_response = urllib.request.urlopen(request).read()

# Read the repsonse as a utf-8 string
html = raw_response.decode("utf-8")

然后您可以使用BeautifulSoup提取搜索結果。 例如，以下代碼將獲取所有標題。

from bs4 import BeautifulSoup

# The code to get the html contents here.

soup = BeautifulSoup(html, 'html.parser')

# Find all the search result divs
divs = soup.select("#search div.g")
for div in divs:
    # Search for a h3 tag
    results = div.select("h3")

    # Check if we have found a result
    if (len(results) >= 1):

        # Print the title
        h3 = results[0]
        print(h3.get_text())

您可以擴展此代碼以提取搜索結果 url 和描述。

Answer 4

你也可以使用像Serp API這樣的第三方服務——我編寫並運行了這個工具——這是一個付費的谷歌搜索引擎結果 API。 解決了被屏蔽的問題，不用租代理自己解析結果。

與 Python 集成很容易：

from lib.google_search_results import GoogleSearchResults

params = {
    "q" : "Coffee",
    "location" : "Austin, Texas, United States",
    "hl" : "en",
    "gl" : "us",
    "google_domain" : "google.com",
    "api_key" : "demo",
}

query = GoogleSearchResults(params)
dictionary_results = query.get_dictionary()

GitHub: https://github.com/serpapi/google-search-results-python

Answer 5

當前的答案將起作用，但谷歌將禁止您進行報廢。

我當前的解決方案使用requests_ip_rotator

import requests
from requests_ip_rotator import ApiGateway
import os

keywords = ['test']


def parse(keyword, session):
    url = f"https://www.google.com/search?q={keyword}"
    response = session.get(url)
    print(response)


if __name__ == '__main__':
    AWS_ACCESS_KEY_ID = ''
    AWS_SECRET_ACCESS_KEY = ''

    gateway = ApiGateway("https://www.google.com", access_key_id=AWS_ACCESS_KEY_ID,
                         access_key_secret=AWS_SECRET_ACCESS_KEY)
    gateway.start()

    session = requests.Session()
    session.mount("https://www.google.com", gateway)

    for keyword in keywords:
        parse(keyword, session)
    gateway.shutdown()

您可以在 AWS 控制台中創建 AWS_ACCESS_KEY_ID 和 AWS_SECRET_ACCESS_KEY。

這個方案可以讓你解析100萬個請求（亞馬遜免費限制）