对于Python抓取Google搜索结果的一些了解

大学时期博文

1.问题

目前主流的搜索引擎，非 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 开源项目

但在使用过程中，单 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：

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：

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：

然后再看url：

对于这个 ，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 ，简单写下：

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：

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：

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5~15s没有被封过，可根据自身情况来，如果想稳妥点就5~30s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：

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

源码已开源在GitHub，有兴趣可查看源码：https://github.com/howie6879/magic_google