《开源精选》是我们分享Github、Gitee等开源社区中优质项目的栏目，包括技术、学习、实用与各种有趣的内容。本期推荐的是一个使用 Python/ target=_blank class=infotextkey>Python 编写的轻量级百度爬虫——BaiduSpider。

BaiduSpider 是一个使用 Python 编写的轻量级百度爬虫。它基于 Requests 和 BeautifulSoup 构建，并提供了易用的 API 接口以及完善的类型注释，提升开发者的使用体验。

功能特性

• 节省提取数据的时间，对于类似深度学习项目的数据模型建立与训练起到了良好的帮助
• 精准、快速地提取百度搜索结果，并删除广告
• 搜索结果大而全，支持多种搜索类型，支持多种返回类型
• 提供了简洁易用的 API

安装

依赖环境：

Python 3.6+

使用pip安装：

$ pip install baiduspider

从 GitHub 手动安装：

$ git clone git@github.com:BaiduSpider/BaiduSpider.git

# ...

$ python setup.py install

示例

百度网页搜索，也可以作为综合搜索使用。

BaiduSpider.search_web(
    self: BaiduSpider,
    query: str,
    pn: int = 1,
    exclude: list = [],
    proxies: Union[dict, None] = None,
) -> WebResult

参数

• query str：要查询网页搜索的字符串
• pn int：要爬取的页码，默认为1，可选
• exclude dict：要屏蔽的子部件列表，可选
• time str | List[datetime.datetime]： 搜索时间范围
• proxies Union[dict, None]： 代理配置，默认为None，可选

实例

基本的调用：这是一个最基本的参数—— query 。它用于传递搜索词（字符串类型）。

# 导入BaiduSpider
from baiduspider import BaiduSpider
from pprint import pprint

# 实例化BaiduSpider
spider = BaiduSpider()

# 搜索网页
pprint(spider.search_web(query="要搜索的关键词").plain)

指定页码：你可以通过设置 pn 参数来更改 BaiduSpider 所获取的页码。

from baiduspider import BaiduSpider
from pprint import pprint

spider = BaiduSpider()

# 搜索网页，并传入页码参数（此处为第二页）
pprint(spider.search_web(query="要搜索的关键词", pn=2).plain)

注意：传入页码参数的时候一定要小心，务必不要传入过大的页码，否则百度搜索会自动跳转回第一页。

屏蔽特定的搜索结果：这个参数可以为你提供很大的便捷。通过设置 exclude 列表，你可以屏蔽某些特定的网页搜索子搜索结果来提高解析速度。

from baiduspider import BaiduSpider
from pprint import pprint

spider = BaiduSpider()

# 搜索网页，并传入要屏蔽的结果
# 在本样例中，屏蔽了贴吧和博客
pprint(spider.search_web(query="要搜索的关键词", exclude=["tieba", "blog"]).plain)

exclude 的值可以包含：["news", "video", "baike", "tieba", "blog", "gitee", "related", "calc"]，分别表示：资讯，视频，百科，贴吧，博客，Gitee代码仓库，相关搜索，计算。 exclude 的值也可以是["all"]，表示屏蔽除了普通搜索结果外的所有搜索结果。实例：

from baiduspider import BaiduSpider
from pprint import pprint

spider = BaiduSpider()

# 搜索网页，并传入要屏蔽的结果
# 在本样例中，屏蔽了所有非普通的搜索结果
pprint(spider.search_web(query="要搜索的关键词", exclude=["all"]).plain)

如果 exclude 中包含all且还有其他参数，那么将按照只有all的方式过滤搜索结果。

按时间筛选： time 参数能够实现更精准的搜索。 time 的取值可以是一个字符串或者是一个由 datetime.datetime 组成的元组。比如，使用字符串形式：

from baiduspider import BaiduSpider
from pprint import pprint

spider = BaiduSpider()

# 搜索网页，仅显示时间段内的搜索结果
# 在本样例中，筛选后仅显示一周内的搜索结果
pprint(spider.search_web(query="要搜索的关键词", time="week").plain)

此功能使用百度内置的搜索时间筛选器筛选结果，并非使用程序筛选。在这个样例中， time 的值是"week"，代表筛选一周内的搜索结果。 time 的可选值如下：["day", "week", "month", "year"]。分别表示：一天内、一周内、一月内、一年内。除此以外，BaiduSpider 还支持自定义时间段。例如：

from baiduspider import BaiduSpider
from pprint import pprint
from datetime import datetime

spider = BaiduSpider()

# 在本样例中，筛选后仅显示2020.1.5 - 2020.4.9的搜索结果
pprint(spider.search_web(query="要搜索的关键词", time=(datetime(2020, 1, 5), datetime(2020, 4, 9))).plain)

在这个样例中， time 的值是一个元组（tuple）。元组的第一个值是起始时间，第二个值是结束时间。BaiduSpider会把他们都转化成 time.time() 形式的浮点数（然后仅保留整数），所以你也可以将 datetime 替换为一个整数。

—END—

此项目使用GPL3.0开源协议，更多功能大家可自行前往阅读。

开源地址：https://github.com/BaiduSpider/BaiduSpider