黑帽联盟

标题: python模拟搜索引擎蜘蛛 [打印本页]

作者: 定位 时间: 2017-1-17 19:07
标题: python模拟搜索引擎蜘蛛

搜索引擎收集网页其实就是用程序来下载网页的源代码，下载代码本身并不复杂（搜索引擎工作的难点在于高查全率、高查准率和较短的响应时间），用Python的话，几行代码就可以完成，代码如下：

import urllib

html=urllib.urlopen("下载代码的URL").read()，html就是返回的网页源代码（在这里不考虑乱码的问题）。

搜索引擎在抓取网页的时候一般都会亮明身份，在网站的日志中可以看到，我们也可以模拟一个搜索引擎的蜘蛛去获取网页的源代码，这需要构建一个头部信息，User-Agent就是模拟的蜘蛛，以百度为例：

headers={
'Host':'这里写主机名，一般以URL代替',
'User-Agent':'Mozilla/5.0+(compatible;+Baiduspider/2.0;++http://www.baidu.com/search/spider.html)',
'Referer':'写URL即可'
}

这时获取源代码就不能使用urllib模块了，需要导入urllib2模块：import urllib2，然后用urllib2的Request方法获取网页源代码：

req=urllib2.Request(url=目标URL,headers=headers)
html=urllib2.urlopen(req).read()

模拟搜索引擎蜘蛛跟SEO有什么关系呢？模拟蜘蛛获取到的源代码是SEOer最关心的，因为这样的网页才是搜索引擎收录、进行相关排序的，有时候一些站长会通过判断来路，为搜索引擎和用户返回不同的网页，SEO如果不仔细的话，交换友情链接会吃亏。在chinaz 的工具里有模拟搜索引擎蜘蛛的，对程序不熟的，可以利用它的工具。

模拟搜索引擎蛛蛛另一个用在SEO方面是采集、挖掘网站数据用。网络上有大量的数据，搜索引擎是抓取不到的（如JS调用等），我们可以利用程序去抓取，但现在很多网站都采取了防采集措施，如频繁访问会被封IP等，但他们对搜索引擎是完全开放的，我们可以利用这一点，模拟蜘蛛去挖掘网站内容，我就用这种方法采集过国内某著名网站的内容。

作者: feihu 时间: 2017-10-4 15:14
看看，了解了解

欢迎光临黑帽联盟 (https://bbs.cnblackhat.com/)