一、背景介绍
你好，我是 @马哥python说 ，一名10年程序猿。
1.1 老版本
之前我开发过一个百度搜索的python爬虫代码，具体如下：
【python爬虫案例】用python爬取百度的搜索结果！
这个爬虫代码自发布以来，受到了众多小伙伴的关注：
但是，很多不懂python编程的小伙伴无法使用它，非常痛苦！
于是，我把这个程序封装成了一个桌面软件（exe文件），无需python运行环境也可以使用。
1.2 爬取目标
1.3 软件运行截图
1.4 爬取数据
1.5 实现思路
通过python爬虫技术，爬取百度搜索结果数据，包含字段：
页码、标题、百度链接、真实链接、简介、网站名称。
并把源码封装成exe文件，方便没有python环境，或者不懂技术的人使用它。
二、代码讲解
2.1 爬虫
首先，导入需要用到的库：
import requests # 发送请求
from bs4 import BeautifulSoup # 解析页面
import pandas as pd # 存入csv数据
import os # 判断文件存在
from time import sleep # 等待间隔
import random # 随机
import re # 用正则表达式提取url
定义一个请求头：
# 伪装浏览器请求头
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36",
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",
"Accept-Language": "zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7",
"Connection": "keep-alive",
"Accept-Encoding": "gzip, deflate, br",
"Host": "www.baidu.com",
# 需要更换Cookie
"Cookie": "换成自己的cookie"
}
Cookie是个关键，如果不加Cookie，响应码可能不是200，获取不到数据，而且Cookie值是有有效期的，需要定期更换，如果发现返回无数据或响应码非200，尝试替换最新的Cookie。
怎么获取到Cookie呢？打开Chrome浏览器，访问百度页面，按F12进入开发者模式：
按照图示顺序，依次：
- 点击Network，进入网络页
- 点击All，查看所有网络请求
- 选择目标链接，和地址栏里的地址一致
- 查看Request Headers请求头
- 查看请求头里的Cookie，直接右键，Copy value，粘贴到代码里
然后，分析页面请求地址：
wd=后面是搜索关键字"马哥python说"，pn=后面是10（规律：第一页是0，第二页是10，第三页是20，以此类推），其他URL参数可以忽略。
然后，分析页面元素，以搜索结果标题为例：
每一条搜索结果，都是class="result c-container new-pmd"，下层结构里有简介、链接等内容，解析内部子元素不再赘述。
所以根据这个逻辑，开发爬虫代码。
# 获得每页搜索结果
for page in range(v_max_page):
print('开始爬取第{}页'.format(page + 1))
wait_seconds = random.uniform(1, 2) # 等待时长秒
print('开始等待{}秒'.format(wait_seconds))
sleep(wait_seconds) # 随机等待
url = 'https://www.baidu.com/s?wd=' + v_keyword + '&pn=' + str(page * 10)
r = requests.get(url, headers=headers)
html = r.text
print('响应码是:{}'.format(r.status_code))
soup = BeautifulSoup(html, 'html.parser')
result_list = soup.find_all(class_='result c-container new-pmd')
print('正在爬取:{},共查询到{}个结果'.format(url, len(result_list)))
其中，获取到的标题链接，一般是这种结构：
这显然是百度的一个跳转前的地址，不是目标地址，怎么获取它背后的真实地址呢？
向这个跳转前地址，发送一个请求，然后逻辑处理下：
def get_real_url(v_url):
"""
获取百度链接真实地址
:param v_url: 百度链接地址
:return: 真实地址
"""
r = requests.get(v_url, headers=headers, allow_redirects=False) # 不允许重定向
if r.status_code == 302: # 如果返回302，就从响应头获取真实地址
real_url = r.headers.get('Location')
else: # 否则从返回内容中用正则表达式提取出来真实地址
real_url = re.findall("URL='(.*?)'", r.text)[0]
print('real_url is:', real_url)
return real_url
如果响应码是302，就从响应头中的Location参数获取真实地址。
如果是其他响应码，就从响应内容中用正则表达式提取出URL真实地址。
把爬取到的数据，保存到csv文件：
df = pd.DataFrame(
{
'关键词': kw_list,
'页码': page_list,
'标题': title_list,
'百度链接': href_list,
'真实链接': real_url_list,
'简介': desc_list,
'网站名称': site_list,
}
)
if os.path.exists(v_result_file):
header = None
else:
header = ['关键词', '页码', '标题', '百度链接', '真实链接', '简介', '网站名称'] # csv文件标头
df.to_csv(v_result_file, mode='a+', index=False, header=header, encoding='utf_8_sig')
print('结果保存成功:{}'.format(v_result_file))
to_csv的时候需加上选项（encoding='utf_8_sig'），否则存入数据会产生乱码，尤其是windows用户！
2.2 软件界面
界面部分代码：
# 创建主窗口
root = tk.Tk()
root.title('百度搜索爬虫-定制化开发 | 马哥python说')
# 设置窗口大小
root.minsize(width=850, height=650)
show_list_Frame = tk.Frame(width=800, height=450) # 创建<消息列表分区>
show_list_Frame.pack_propagate(0)
show_list_Frame.place(x=30, y=120, anchor='nw') # 摆放位置
# 滚动条
scroll = tk.Scrollbar(show_list_Frame)
# 放到Y轴竖直方向
scroll.pack(side=tk.RIGHT, fill=tk.Y)
2.3 日志模块
软件运行过程中，会在同级目录下生成logs文件夹，文件夹内会出现log文件，记录下软件在整个运行过程中的日志，方便长时间运行、无人值守，出现问题后的debug。
部分核心代码：
class Log_week():
def get_logger(self):
self.logger = logging.getLogger(__name__)
# 日志格式
formatter = '[%(asctime)s-%(filename)s][%(funcName)s-%(lineno)d]--%(message)s'
# 日志级别
self.logger.setLevel(logging.DEBUG)
# 控制台日志
sh = logging.StreamHandler()
log_formatter = logging.Formatter(formatter, datefmt='%Y-%m-%d %H:%M:%S')
# info日志文件名
info_file_name = time.strftime("%Y-%m-%d") + '.log'
# 将其保存到特定目录，ap方法就是寻找项目根目录，该方法博主前期已经写好。
case_dir = r'./logs/'
info_handler = TimedRotatingFileHandler(filename=case_dir + info_file_name,
when='MIDNIGHT',
interval=1,
backupCount=7,
encoding='utf-8')
self.logger.addHandler(sh)
sh.setFormatter(log_formatter)
self.logger.addHandler(info_handler)
info_handler.setFormatter(log_formatter)
return self.logger
三、软件运行演示
演示视频：
【爬虫GUI演示】用python爬百度搜索，并开发成exe桌面软件！
四、完整源码
附完整源码：点击此处完整源码
本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：【GUI开发案例】用python爬百度搜索结果，并开发成exe桌面软件！ - Python技术站
微信扫一扫 
支付宝扫一扫 