针对关键词,采集排名前10位的二级域名

成果

根据关键词文件(一行一个)关键词,找出每个关键词在百度排名前十的二级域名:
这样如果输入的是一个行业的关键词,可以比较快速的找出seo的竞争对手,也是一种比较粗暴的对手监控

代码1

直接采集搜索结果出现的地址


采集1.png
#!/usr/bin/env python
# -*- coding: utf-8 -*-
#encoding=utf-8
from __future__ import division
import time
import requests #用于web页面抓取,很简单,需要单独安装,安装很简单。
import re
from bs4 import BeautifulSoup
kws=open(r'C:\Users\Administrator\Desktop\keywords.txt','r') #盘符可以任意修改,注意不能有空行,初始url文本
morekwsall=open(r'C:\Users\Administrator\Desktop\jzdsbs4.txt','w+',encoding='utf-8')#注意编码
headers1={
    'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Encoding':'gzip,deflate',
    'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_0) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/31.0.1650.63 Safari/537.36'
    'Refer':'http://www.hao123.com/',
    'Cache-Control':'max-age=0',
    'Cookie':'BAIDUID=8A69D49EC2D3B576D17277579AEDA83F:FG=1; BIDUPSID=8A69D49EC2D3B576D17277579AEDA83F; PSTM=1463384511; ' \
                 'BDUSS=2ZESWpnckRaeHRkVjdqN3dJa0RINWNrSDJTbm1sRFVlRUMzelNCVTBwSEliY0ZYQVFBQUFBJCQAAAAAAAAAAAEAAAAVcMhIYWFzZDEzM' \
                 'jM0AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAMjgmVfI4JlXY; ' \
                 'uc_login_unique=f62bbe2bfc4a840aa437e67dcde239a3; BD_HOME=1; BDRCVFR[S4-dAuiWMmn]=I67x6TjHwwYf0; B64_BOT=1; ' \
                 'BD_UPN=12314353; sug=3; sugstore=1; ORIGIN=2; bdime=0; ' \
                 'BDRCVFR[feWj1Vr5u3D]=I67x6TjHwwYf0; BD_CK_SAM=1; H_PS_PSSID=1428_18280_21116_20592_21189_21160_20929; BDSVRTM=0'
}
kwsline=kws.readlines()
for kw in kwsline:
    utfline= kw.strip()
    utzfline=utfline
    time.sleep(2)  # 还是不能太猖獗
    o = 0
    try:
        urlbaidu1=str('http://www.baidu.com/baidu?wd='+utzfline+'&tn=monline_4_dg')
        rbaidu1 = requests.get(urlbaidu1,headers= headers1,allow_redirects = False)
        print(rbaidu1.status_code)
        soup = BeautifulSoup(rbaidu1.content,'lxml')
        result_urls = soup.select('.c-showurl')
        for result_url in result_urls:
            final_result = result_url.get_text().split('/')[0].split('-')[0].replace('\n', '')\
                .replace(' ', '').replace('...', '').replace('...', '')
            print(final_result)
            morekwsall.write(final_result+'\n')
    except Exception as e:
        o = o+1
        print(e)
        time.sleep(100)
        kwsline.append(kw)
    finally:
        print(o)
kws.close()
morekwsall.close()

print(u'结束!!!')

注意:
当request出错时,等100s,把出错的地址塞回列表继续采集
50出错,等100s,再采集50

 except Exception as e:
        o = o+1
        print(e)
        time.sleep(100)
        kwsline.append(kw)

代码2:
获得搜索结果百度跳转后的实际地址。。。

![采集3.png](http://upload-images.jianshu.io/upload_images/3117575-c689bf3ff3887ee1.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
#!/usr/bin/env python
# -*- coding: utf-8 -*-
#encoding=utf-8
from __future__ import division
import time
import requests #用于web页面抓取,很简单,需要单独安装,安装很简单。
import re
from bs4 import BeautifulSoup
from urllib import request
kws=open(r'C:\Users\Administrator\Desktop\keywords.txt','r') #盘符可以任意修改,注意不能有空行,初始url文本
morekwsall=open(r'C:\Users\Administrator\Desktop\jzds.txt','w+',encoding='utf-8')#注意编码
morekwserror=open(r'C:\Users\Administrator\Desktop\jzds_error.txt','w+',encoding='utf-8')
headers1={
    'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Encoding':'gzip,deflate',
    'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_0) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/31.0.1650.63 Safari/537.36'
    'Refer':'http://www.hao123.com/',
    'Cache-Control':'max-age=0',
    'Cookie':'BAIDUID=8A69D49EC2D3B576D17277579AEDA83F:FG=1; BIDUPSID=8A69D49EC2D3B576D17277579AEDA83F; PSTM=1463384511; ' \
                 'BDUSS=2ZESWpnckRaeHRkVjdqN3dJa0RINWNrSDJTbm1sRFVlRUMzelNCVTBwSEliY0ZYQVFBQUFBJCQAAAAAAAAAAAEAAAAVcMhIYWFzZDEzM' \
                 'jM0AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAMjgmVfI4JlXY; ' \
                 'uc_login_unique=f62bbe2bfc4a840aa437e67dcde239a3; BD_HOME=1; BDRCVFR[S4-dAuiWMmn]=I67x6TjHwwYf0; B64_BOT=1; ' \
                 'BD_UPN=12314353; sug=3; sugstore=1; ORIGIN=2; bdime=0; ' \
                 'BDRCVFR[feWj1Vr5u3D]=I67x6TjHwwYf0; BD_CK_SAM=1; H_PS_PSSID=1428_18280_21116_20592_21189_21160_20929; BDSVRTM=0'
}        
kwsline=kws.readlines()
for kw in kwsline:
    utfline= kw.strip()
    utzfline=utfline
    urlbaidu1=str('http://www.baidu.com/baidu?wd='+utzfline+'&tn=monline_4_dg')
    try:
        rbaidu1 = requests.get(urlbaidu1,headers=headers1)
        soup = BeautifulSoup(rbaidu1.content,'lxml')
        result_urls = soup.select('div > h3 > a')
        for result_url in result_urls:
            #time.sleep(0.5)# 还是不能太猖獗
            try:
                with request.urlopen(result_url.get('href')) as f:
                    real_url = f.geturl()# 会有访问错误,所以获取失败实际地址失败,那失败应该怎么继续获得?
            except Exception as e:
                print("@@@")
                print(result_url)
                morekwserror.write(str(e) +':'+str(result_url) + '\n')
                print(e)
                real_url=('///')
                print(real_url.split('/')[2])
            finally:
                real_url2 = real_url.split('/')[2]
                print(real_url2)
                morekwsall.write(real_url2 + '\n')
    except Exception as e:
        print(e)
        print("!!!!")
        time.sleep(50)
        kwsline.append(kw)

kws.close()
morekwsall.close()

print(u'结束!!!')

多了1个try,因为
request.urlopen和f.geturl()在读取最终状态吗的403,404的页面的时候会出错;
我是想至少把错误地址也采集下来的,不过失败了,所以目前是略过了。。
第二个try50出错,开始51采集

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 205,132评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,802评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,566评论 0 338
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,858评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,867评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,695评论 1 282
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,064评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,705评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 42,915评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,677评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,796评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,432评论 4 322
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,041评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,992评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,223评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,185评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,535评论 2 343

推荐阅读更多精彩内容