本文將介紹如何通過python編寫爬蟲代碼，查詢指定網站百度收錄的網頁信息，然后獲取每個收錄的頁面的關鍵詞，查詢該關鍵詞在百度搜索結果中的排名，是一個非常實用的全自動獲取指定網站頁面關鍵詞排名排名python腳本
以下為代碼部分：
使用參數：seo.py www.szsudu.com 是否獨立保存結果 起始關鍵詞 鏈接文件
seo.py 是腳本文件的文件名
www.szsudu.com 是需要檢測的目標網站，不需要加http://上去
是否獨立保存結果 可選值1或0，1表示將有排名的和無排名的關鍵詞結果分別保存在2個文件中，0則表示不分開保存；
起始關鍵詞 檢測任務起始關鍵詞，常用于程序中斷后繼續檢測；
鏈接文件 文件名稱，如url.txt，該參數讓程序直接讀取該文件中保存的url鏈接，而不再去查詢百度中的收錄情況。
# seo.py www.szsudu.com 1 "專利" szsudu.txt 讀取szsudu.txt中的url鏈接，獲取每個頁面的關鍵詞，查詢百度搜索對應關鍵詞結果中www.szsudu.com網站的排名，并將結果分為有排名、無排名兩個文件存儲
#!/usr/bin/python
import os
import requests
import re
import time
import sys
import colorama
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
#from selenium.webdriver.support.wait import WebDriverWait
colorama.init(autoreset=True)
todayStr = time.strftime("%Y%m%d",time.localtime())
splitSave = 0
startPos = ""
urlFile = ""
onlyFromUrlFile=False #是否只檢測urlFile文件中已經收錄的頁面
saveUnclude = False #是否保存無排名的關鍵詞查詢結果(HTML)
# 添加無界面參數
options = webdriver.ChromeOptions()
options.add_argument('--headless')
#browser = webdriver.Chrome(options=options)
browser = webdriver.Chrome()
#wait= WebDriverWait(browser,10)
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0'
}
def toInt(num):
if num !='':
return int(num)
else:
return 0
#日志保存
def doLog(vstr):
with open(todayStr + ".log",'a',encoding='utf-8') as fo:
if vstr !="":
fo.writelines(time.strftime("%Y-%m-%d %H:%M:%S",time.localtime()) + "\t" + vstr + "\n")
else:
fo.writelines(time.strftime("\n"))
fo.close()
#處理文件夾路徑
def pathRep(vstr):
if vstr !="":
vstr = vstr.replace('/','\\').strip('\\') + '\\'
return vstr
def formatFloat(num):
if num != '':
return '{:.2f}'.format(num)
def saveFile(vfile,vstr):
if vfile !="":
with open(vfile,'a',encoding='utf-8') as fo:
fo.writelines(vstr+"\n") #不存在的內容才寫入
fo.close()
def saveKeyword(vstr):
if vstr !="":
#先判斷內容是否存在
if os.path.isfile(todayStr + '_' + url_ + '_關鍵詞.txt'):
with open(todayStr + '_' + url_ + '_關鍵詞.txt','r',encoding='utf-8') as f:
oldTxt = f.read()
f.close()
#print("當前文件大小" + str(len(oldTxt)))
if oldTxt.find(vstr + "\n") != -1:
print("\033[0;31;40m\t 關鍵詞[" + vstr + "]已提取，自動忽略\033[0m ")
return ""
print("\033[0;32;40m\t 關鍵詞[" + vstr + "]已保存\t\033[0m ")
with open(todayStr + '_' + url_ + '_關鍵詞.txt','a',encoding='utf-8') as fo:
fo.writelines(vstr+"\n") #不存在的內容才寫入
fo.close()
#從代碼中提取關鍵詞信息
def pickKW(_str):
if len(_str)>100:
#doLog(_str)
#利用正則，提取keywords信息
_arr = re.findall('<meta content="(.*?)" name="keywords"',_str,re.I)
if len(_arr)<1:
_arr = re.findall('<meta name="keywords" content="(.*?)"',_str,re.I)
if len(_arr)>0:
_kw = _arr[0]
#將關鍵詞寫入文件
if _kw !="":
print("\033[0;32;40m\t 頁面標簽："+ _kw + "\t\033[0m ")
#對關鍵詞進行拆分
_arr = _kw.replace('，',',').split(',')
for ki in _arr:
saveKeyword(ki)
else:
print("\033[0;31;40m\t未發現有關關鍵詞標簽\033[0m ")
#百度url解碼
def urlDecode(BDurl):
try:
res = requests.get(BDurl,allow_redirects=False)
Real_url=res.headers['Location']
return Real_url
except requests.exceptions.ConnectionError as e:
print('ConnectionError', e.args)
return("")
except requests.exceptions.MissingSchema as e:
print('Schema is none', e.args)
return("")
except:
return("")
#判斷關鍵詞是否存在，并獲取排名
def getKeyOrder(vstr):
if len(vstr)>200:
if vstr.find(url_) != -1:
#通過正則查找
result = re.findall('class="result c-container new-pmd"[\s\S]*?style="text-decoration:none;position:relative;"\>(.*?)\<\/a\>',vstr,re.I)
j=0
for oi in result:
j = j+1
if oi.find(url_) != -1:
return j
return 0
#獲取搜索關鍵詞排名
def getKeySearch(vkey):
global browser
if vkey !="":
try:
curUrl = browser.current_url
if curUrl.find('www.baidu.com') <0:
browser.get('https://www.baidu.com/')
time.sleep(1)
#找到輸入框
obj = browser.find_element_by_id('kw')
obj.clear()
obj.send_keys(vkey)
browser.find_element_by_xpath("//*[@id='su']").click()
time.sleep(2)
_str_ = browser.page_source
if _str_.find('百度安全驗證') != -1:
doLog('搜索 ' + vkey + ' 時出現安全驗證，3秒后關閉瀏覽器并重新打開')
if splitSave>0:
time.sleep(10)
else:
#browser.get('http://www.baidu.com') #訪問一下百度首頁
browser.quit()
time.sleep(1)
browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
time.sleep(5)
obj = browser.find_element_by_id('kw')
obj.send_keys(vkey)
browser.find_element_by_xpath("//*[@id='su']").click()
time.sleep(2)
_str_ = browser.page_source
_order = getKeyOrder(_str_)
#print(_order)
if _order>0:
print("\033[0;31;40m\t\t\t" + vkey + ' 在百度中排名 第1頁第' + str(_order) + "名\t\033[0m ")
saveFile(todayStr + '_' + url_ + '_order.txt',"\t\t\t" + vkey+"\t 在百度中排名第1頁第" + str(_order))
return _order
else:
#翻頁
for i in range(2,6):
time.sleep(1)
nextObj = browser.find_elements_by_css_selector("a[class='n']")
if len(nextObj)>0:
nextObj[len(nextObj)-1].click()
time.sleep(2)
_str_ = browser.page_source
_order = getKeyOrder(_str_)
if toInt(_order):
print("\033[0;31;40m\t\t\t" + vkey + ' 在百度中排名第' + str(i) + '頁第' + str(_order) + "\t\033[0m ")
saveFile(todayStr + '_' + url_ + '_order.txt',"\t\t\t" + vkey+"\t 在百度中排名第" + str(i) + "頁第" + str(_order))
return _order
print("\033[0;32;40m 關鍵詞[" + vkey + "] 無排名\t\033[0m ")
if splitSave != 0:
saveFile(todayStr + '_' + url_ + '_order_無排名.txt',vkey+" 無排名")
else:
saveFile(todayStr + '_' + url_ + '_order.txt',vkey+" 無排名")
if saveUnclude:
saveFile(vkey+'.txt',_str_)
return 0
except TimeoutException:
print("請求超時")
return ""
else:
print("無效的鏈接")
return ""
#獲取頁面源代碼
def getHtml(vurl):
global browser
if vurl !="":
try:
browser.get(vurl)
_str_ = browser.page_source
if _str_.find('百度安全驗證') != -1:
doLog('訪問 ' + vurl + ' 時出現安全驗證，3秒后關閉瀏覽器并重新打開')
if splitSave>0:
time.sleep(10)
else:
#browser.get('http://www.baidu.com') #訪問一下百度首頁
browser.quit()
time.sleep(1)
browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
time.sleep(5)
browser.get(vurl)
return browser.page_source
except TimeoutException:
print("請求超時")
return ""
else:
print("無效的鏈接")
return ""
print("程序成功啟動")
if len(sys.argv)<2:
print("參數不足")
else:
url_ = sys.argv[1]
if len(sys.argv)>2:
splitSave = toInt(sys.argv[2]) #是否分開保存有排名、無排名結果
if len(sys.argv)>3:
startPos = sys.argv[3]
if len(sys.argv)>4:
urlFile = sys.argv[4]
url_ = url_.replace("http://","")
url_ = url_.replace("https://","")
kwArr = []
#提取 [日期]_url.txt 文本，如果不存在，從百度獲取數據
if not os.path.isfile(todayStr + '_' + url_ + '_關鍵詞.txt'):
#當日可能未抓取，先從百度中提取鏈接
urlArr = []
if urlFile !="":
if not os.path.isfile(urlFile):
urlFile=""
if urlFile=="":
for page in range(0,10):
print("正在從百度獲取URL，第"+str(page+1)+"頁")
htmlStr = getHtml("http://www.baidu.com/s?ie=utf-8&wd=site%3A%3A"+url_+"&pn=" + str(page*10)) #采用site::網址的形式，得出來的結果會更多
#if htmlStr.find('class="n">下一頁') != -1:
# _str = getHtml("http://www.baidu.com/s?ie=utf-8&wd=site%3A"+url_+"&rn=50&pn=" + str(page))
# htmlStr = htmlStr + _str
a_href =re.findall('<a.*?href="http\:\/\/www\.baidu\.com\/link\?url=(.*?)".*?',htmlStr,re.I) #利用正則，提取所有a鏈接
a_href = set(a_href) #過渡重復的鏈接
for i in a_href:
if i!="":
#提取真實url
real_url = urlDecode("http://www.baidu.com/link?url=" + i)
if real_url.find(url_) != -1:
if not real_url in urlArr:
urlArr.append(real_url)
saveFile(todayStr + '_' + url_ + '_url.txt',real_url)
print("獲取到鏈接：" + real_url)
else:
print(real_url + "已收錄")
#如果沒有“下一頁”，則結束
if htmlStr.find('class="n">下一頁') == -1:
break;
else:
#獲取鏈接文件中的URL
if os.path.isfile("已收錄_" + urlFile):
with open("已收錄_" + urlFile) as uf:
uStr = uf.read()
uf.close()
if uStr !='':
urlArr = uStr.split("\n")
else:
with open(urlFile) as uf:
uStr = uf.read()
uf.close()
if uStr !='':
urlArr = uStr.split("\n")
if onlyFromUrlFile== True:
tmpArr = []
for ui in urlArr:
if ui !="":
htmlStr = getHtml("http://www.baidu.com/s?ie=utf-8&wd="+ui)
if htmlStr.find("<b>" + url_.replace("http://","")) != -1:
print(ui + "已收錄")
tmpArr.append(ui)
saveFile("已收錄_" + urlFile,ui)
else:
print("\033[0;32;40m\t\t " + ui + "頁面未收錄\033[0m ")
#time.sleep(1)
if len(tmpArr)>0:
urlArr = tmpArr
else:
print("無法獲取配置文件中的內容，" + urlFile)
print("鏈接獲取完成，即將提取關鍵詞標簽")
#遍歷urlArr中的數據
for ui in urlArr:
_ui = ui
if _ui.find('://') == -1:
_ui = 'http://' + _ui
res = requests.get(_ui)
if len(res.text)>100:
#提取關鍵詞
pickKW(res.text)
#讀取關鍵詞
with open(todayStr + '_' + url_ + '_關鍵詞.txt','r',encoding='utf-8') as f:
kwStr = f.read()
f.close()
if kwStr !='':
kwArr = kwStr.split("\n")
#查詢排名
for ki in kwArr:
if ki!="":
if startPos!="":
if ki==startPos:
startPos = ""
else:
print("跳過檢測[" + ki + "]關鍵詞")
continue
print("準備3s后查找關鍵詞：\t" + ki)
time.sleep(3)
getKeySearch(ki)
browser.quit()
print("\033[0;32;40m\t 操作完成\033[0m ")
程序運行界面如下圖：
