本文将介绍如何通过python编写爬虫代码，查询指定网站百度收录的网页信息，然后获取每个收录的页面的关键词，查询该关键词在百度搜索结果中的排名，是一个非常实用的全自动获取指定网站页面关键词排名排名python脚本
以下为代码部分：
使用参数：seo.py www.szsudu.com 是否独立保存结果 起始关键词 链接文件
seo.py 是脚本文件的文件名
www.szsudu.com 是需要检测的目标网站，不需要加http://上去
是否独立保存结果 可选值1或0，1表示将有排名的和无排名的关键词结果分别保存在2个文件中，0则表示不分开保存；
起始关键词 检测任务起始关键词，常用于程序中断后继续检测；
链接文件 文件名称，如url.txt，该参数让程序直接读取该文件中保存的url链接，而不再去查询百度中的收录情况。
# seo.py www.szsudu.com 1 "专利" szsudu.txt 读取szsudu.txt中的url链接，获取每个页面的关键词，查询百度搜索对应关键词结果中www.szsudu.com网站的排名，并将结果分为有排名、无排名两个文件存储
#!/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 #是否只检测urlFile文件中已经收录的页面
saveUnclude = False #是否保存无排名的关键词查询结果(HTML)
# 添加无界面参数
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()
#处理文件夹路径
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") #不存在的内容才写入
fo.close()
def saveKeyword(vstr):
if vstr !="":
#先判断内容是否存在
if os.path.isfile(todayStr + '_' + url_ + '_关键词.txt'):
with open(todayStr + '_' + url_ + '_关键词.txt','r',encoding='utf-8') as f:
oldTxt = f.read()
f.close()
#print("当前文件大小" + str(len(oldTxt)))
if oldTxt.find(vstr + "\n") != -1:
print("\033[0;31;40m\t 关键词[" + vstr + "]已提取，自动忽略\033[0m ")
return ""
print("\033[0;32;40m\t 关键词[" + vstr + "]已保存\t\033[0m ")
with open(todayStr + '_' + url_ + '_关键词.txt','a',encoding='utf-8') as fo:
fo.writelines(vstr+"\n") #不存在的内容才写入
fo.close()
#从代码中提取关键词信息
def pickKW(_str):
if len(_str)>100:
#doLog(_str)
#利用正则，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]
#将关键词写入文件
if _kw !="":
print("\033[0;32;40m\t 页面标签："+ _kw + "\t\033[0m ")
#对关键词进行拆分
_arr = _kw.replace('，',',').split(',')
for ki in _arr:
saveKeyword(ki)
else:
print("\033[0;31;40m\t未发现有关关键词标签\033[0m ")
#百度url解码
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("")
#判断关键词是否存在，并获取排名
def getKeyOrder(vstr):
if len(vstr)>200:
if vstr.find(url_) != -1:
#通过正则查找
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
#获取搜索关键词排名
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)
#找到输入框
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('百度安全验证') != -1:
doLog('搜索 ' + vkey + ' 时出现安全验证，3秒后关闭浏览器并重新打开')
if splitSave>0:
time.sleep(10)
else:
#browser.get('http://www.baidu.com') #访问一下百度首页
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页第' + str(_order) + "名\t\033[0m ")
saveFile(todayStr + '_' + url_ + '_order.txt',"\t\t\t" + vkey+"\t 在百度中排名第1页第" + str(_order))
return _order
else:
#翻页
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) + '页第' + str(_order) + "\t\033[0m ")
saveFile(todayStr + '_' + url_ + '_order.txt',"\t\t\t" + vkey+"\t 在百度中排名第" + str(i) + "页第" + str(_order))
return _order
print("\033[0;32;40m 关键词[" + vkey + "] 无排名\t\033[0m ")
if splitSave != 0:
saveFile(todayStr + '_' + url_ + '_order_无排名.txt',vkey+" 无排名")
else:
saveFile(todayStr + '_' + url_ + '_order.txt',vkey+" 无排名")
if saveUnclude:
saveFile(vkey+'.txt',_str_)
return 0
except TimeoutException:
print("请求超时")
return ""
else:
print("无效的链接")
return ""
#获取页面源代码
def getHtml(vurl):
global browser
if vurl !="":
try:
browser.get(vurl)
_str_ = browser.page_source
if _str_.find('百度安全验证') != -1:
doLog('访问 ' + vurl + ' 时出现安全验证，3秒后关闭浏览器并重新打开')
if splitSave>0:
time.sleep(10)
else:
#browser.get('http://www.baidu.com') #访问一下百度首页
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("请求超时")
return ""
else:
print("无效的链接")
return ""
print("程序成功启动")
if len(sys.argv)<2:
print("参数不足")
else:
url_ = sys.argv[1]
if len(sys.argv)>2:
splitSave = toInt(sys.argv[2]) #是否分开保存有排名、无排名结果
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，从百度获取数据
if not os.path.isfile(todayStr + '_' + url_ + '_关键词.txt'):
#当日可能未抓取，先从百度中提取链接
urlArr = []
if urlFile !="":
if not os.path.isfile(urlFile):
urlFile=""
if urlFile=="":
for page in range(0,10):
print("正在从百度获取URL，第"+str(page+1)+"页")
htmlStr = getHtml("http://www.baidu.com/s?ie=utf-8&wd=site%3A%3A"+url_+"&pn=" + str(page*10)) #采用site::网址的形式，得出来的结果会更多
#if htmlStr.find('class="n">下一页') != -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) #利用正则，提取所有a链接
a_href = set(a_href) #过渡重复的链接
for i in a_href:
if i!="":
#提取真实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("获取到链接：" + real_url)
else:
print(real_url + "已收录")
#如果没有“下一页”，则结束
if htmlStr.find('class="n">下一页') == -1:
break;
else:
#获取链接文件中的URL
if os.path.isfile("已收录_" + urlFile):
with open("已收录_" + 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 + "已收录")
tmpArr.append(ui)
saveFile("已收录_" + urlFile,ui)
else:
print("\033[0;32;40m\t\t " + ui + "页面未收录\033[0m ")
#time.sleep(1)
if len(tmpArr)>0:
urlArr = tmpArr
else:
print("无法获取配置文件中的内容，" + urlFile)
print("链接获取完成，即将提取关键词标签")
#遍历urlArr中的数据
for ui in urlArr:
_ui = ui
if _ui.find('://') == -1:
_ui = 'http://' + _ui
res = requests.get(_ui)
if len(res.text)>100:
#提取关键词
pickKW(res.text)
#读取关键词
with open(todayStr + '_' + url_ + '_关键词.txt','r',encoding='utf-8') as f:
kwStr = f.read()
f.close()
if kwStr !='':
kwArr = kwStr.split("\n")
#查询排名
for ki in kwArr:
if ki!="":
if startPos!="":
if ki==startPos:
startPos = ""
else:
print("跳过检测[" + ki + "]关键词")
continue
print("准备3s后查找关键词：\t" + ki)
time.sleep(3)
getKeySearch(ki)
browser.quit()
print("\033[0;32;40m\t 操作完成\033[0m ")
程序运行界面如下图：
