1.问题

博客地址

目前主流的搜索引擎，非google莫属，但其对于非法(流量异常、爬虫)请求的封锁也是异常严厉。

本人前段时间有个脚本用到了谷歌搜索，具体见python之由公司名推算出公司官网(余弦相似度)当时直接使用的是一个python开源项目。

但在使用过程中，单ip的情况下爬取速度可谓感人，稍不留神还会被封，所以对于获取谷歌搜索结果的爬虫有必要进行改进。

说一说爬取谷歌搜索结果的问题：

1.正常打开谷歌搜索，然后审查元素想获取目标内容的时候，会发现是一大串js。

2.访问过快就会出现流量异常

2.如何解决

对于第一个问题：

大串js

应该有看到审查元素出来的都是js，然后检索的url是这样的：

https://www.google.com.hk/search?q=hello&oq=hello&aqs=chrome..69i57j69i60l2j69i65j69i60j0.876j0j7&sourceid=chrome&ie=UTF-8&google_abuse=GOOGLE_ABUSE_EXEMPTION%3DID%3Daa946d8c657cf359:TM%3D1484917472:C%3Dr:IP%3D118.193.241.44-:S%3DAPGng0tGiKFaIr7YCaivUEmmEHOYJhG4jg%3B+path%3D/%3B+domain%3Dgoogle.com%3B+expires%3DFri,+20-Jan-2017+16:04:32+GMT

这里解决办法很粗暴，禁止掉js就好，让我们看看禁止js后是什么样的：

禁止js

然后再看url：

https://www.google.com.hk/search?q=hello&btnG=Search&safe=active&gbv=1

对于这个url，相信机智的你应该会明白些什么。

这里可以写个简单的脚本，比如说获取，谷歌搜索第一页所有结果的html，简单写下：

URL_SEARCH = "https://{domain}/search?hl={language}&q={query}&btnG=Search&gbv=1"

URL_NUM = "https://{domain}/search?hl={language}&q={query}&btnG=Search&gbv=1&num={num}"

def search_page(query, language='en', num=None, start=0, pause=2):

"""

Google search

:param query: Keyword

:param language: Language

:return: result

"""

time.sleep(pause)

domain = self.get_random_domain()

if num is None:

url = URL_SEARCH

url = url.format(

domain=domain, language=language, query=quote_plus(query))

else:

url = URL_NUM

url = url.format(

domain=domain, language=language, query=quote_plus(query), num=num)

try:

requests.packages.urllib3.disable_warnings(InsecureRequestWarning)

r = requests.get(url=url,

allow_redirects=False,

verify=False,

timeout=30)

charset = chardet.detect(r.content)

content = r.content.decode(charset['encoding'])

return content

except Exception as e:

logging.error(e)

return None

到了这里，问题才刚开始，你可以做个实验，我假设你是使用代理进行谷歌搜索，如果你连续不断无间隔使用谷歌搜索某一关键字二三十下，不出意外你会被要求进行这样的验证：

流量异常

这个问题可真是让人十分厌恶，我并没有很好的解决办法，能做的唯有尽量避免：

1.ip轮询

2.每次结果爬取增加休眠

3.随机user_agent是必备

第一点和第三点不必多说，对于第二点增加休眠时间则需要我们好好地进行检测。

假设在单ip随机ua情况下：

1.这种情况下不休眠的话请求个两三次就会直接被封(第二天会被解封)

2.个人觉得这不是个解决办法，因为对休眠时间把控不好的话就会造成封ip，如果不想被封，我测试的话需要休眠60s浮动，这没什么意义。

3.而且这种情况下发现是直接封ip，对开发者太不友好。

对于这种情况，受同事神来一句，发现一个暂时的解决办法，请看下图：

google

单一ip不停地访问统一谷歌域名自然很容易被察觉，谷歌全球190+的域名，难道都在实时的统计ip么，可能有，但绝对不会像单域名那样严格，来做个测试。

我将全球190+谷歌域名集中起来，像ua一样随机轮换，然后进行测试(单ip)，结果还不错：

1.首先没有出现被封ip，只会提示流量异常

2.还是需要休眠，本人休眠515s没有被封过，可根据自身情况来，如果想稳妥点就530s吧

我将这些写成了一个项目，magic_google-python，若你是phper，可以看看我写的php版本php-google，具体代码可以看这里，对应的功能很简单：

from magic_google import MagicGoogle

import pprint

# Or PROXIES = None

PROXIES = [{

'http': 'http://192.168.2.207:1080',

'https': 'http://192.168.2.207:1080'

}]

# Or MagicGoogle()

mg = MagicGoogle(PROXIES)

# Crawling the whole page

result = mg.search_page(query='python')

# Crawling url

for url in mg.search_url(query='python'):

pprint.pprint(url)

# Output

# 'https://www.python.org/'

# 'https://www.python.org/downloads/'

# 'https://www.python.org/about/gettingstarted/'

# 'https://docs.python.org/2/tutorial/'

# 'https://docs.python.org/'

# 'https://en.wikipedia.org/wiki/Python_(programming_language)'

# 'https://www.codecademy.com/courses/introduction-to-python-6WeG3/0?curriculum_id=4f89dab3d788890003000096'

# 'https://www.codecademy.com/learn/python'

# 'https://developers.google.com/edu/python/'

# 'https://learnpythonthehardway.org/book/'

# 'https://www.continuum.io/downloads'

# Get {'title','url','text'}

for i in mg.search(query='python', num=1):

pprint.pprint(i)

# Output

# {'text': 'The official home of the Python Programming Language.',

# 'title': 'Welcome to Python .org',

# 'url': 'https://www.python.org/'}

3.总结

对google搜索结果的爬取，有以下建议：

1.ip轮询

2.ua随机

3.domain随机

4.休眠