有个视频专门讲过这个爬虫，但是太罗嗦了，顺便整理下，而且到现在，360也不傻，已经进化了，采用原来的方式，多少有点bug，这个后面会说。正题如下：
语言：python2.7.6
模块：urllib,urllib2,re,time
目标：输入任意词，抓到其联想词
版本：w1
原理：在360搜索主页：http://www.so.com/，当你输入”科技“时，搜索框会列出相应的联想词或者短语，我们就是要得到这些联想词，那就要爬360的搜索引擎了。在输入关键词之前，我们在主页右键，”审查元素“——”Network“——”Name“，输入之后，下面会出现相应的超链接，我们只观察”Headers“”Priview“，”Headers“下我们可以看到”“Request URL”和头信息(主机，代理之类的)，“Priview”中看到一个我输入的例子：
suggest_so({"query":"科技 ","result":[{"word":"科技美学"},{"word":"科技苑"},{"word":"科技部"},{"word":"科技管理研究"},{"word":"科技少女喵","obdata":"{\"t\":\"video\",\"d\":[2,\"http:\/\/p0.qhimg.com\/d\/dy_acba03288ce64a69a324a94921324cb6.jpg\",\"\u9ad8\u79d1\u6280\u5c11\u5973\u55b5\",\"http:\/\/www.360kan.com\/tv\/Q4pwcH3lRG4lNn.html\",3,12]}"},{"word":"科技日报"},{"word":"科技发展利大还是弊大"},{"word":"科技超能王"},{"word":"科技网"},{"word":"科技进步与对策"}],"version":"a"});
很明显，我们只要抓到里面的词即可，忘了交代，在Request URL中，有一个链接：http://sug.so.360.cn/suggest?callback=suggest_so&encodein=utf-8&encodeout=utf-8&format=json&fields=word,obdata&word=%E7%A7%91%E6%8A%80%20，我们输入很多次发现，变得只是“%E7%A7%91%E6%8A%80%20”部分，也就是说前面的部分不变，我们可以直接拿来用，后面的部分随着输入的关键词不同而变化，这是一种URL编码，可以用urllb.quote()方法实现。
操作：1.加头信息，读取网页，相关方法：urllib2.Request()，urllib2.urlopen()，urllib2,urlopen().read()
2.正则匹配：方法：re模块的相关用法，各抒己见。。
代码如下：
#coding:utf-8
import urllib
import urllib2
import re
import time
gjc = urllib.quote("科技")
url = "http://sug.so.360.cn/suggest?callback=suggest_so&encodein=utf-8&encodeout=utf-8&format=json&fields=word,obdata&word="+gjc
print url
req = urllib2.Request(url)
html = urllib2.urlopen(req).read()
unicodePage = html.decode("utf-8")
#正则表达式，findall方法返回一个列表
ss = re.findall('"word":\"(.*?)\"',unicodePage)
for item in ss:
print item结果：
如果不加unicodePage = html.decode("utf-8") ，返回值会穿插一些乱码，下面我们验证下，我们做的对不对，打开360搜索，输入“科技”，结果如下：
大家不要纠结，第一个和第二个关联词的顺序，我第二次请求的时候就变成了上图的结果，再一次请求，又变回来了，可能是360在变吧，大家可以用其他关键词试试。
好，大体框架已经实现，这是个最初版本，还不能完全无限制使用，我们要做的是畅通无阻，那么存在什么问题呢？
问 题：1.多次请求会出现一个错误，大概代号为1005，意思百度了下，好像是说网站会限制非人为的请求，那我们要伪装成用户正常打开网站的行为，我们要用到头信息（这是我自己习惯叫的，我们采用“Request Headers”里面的信息即可
2.请求过快也可能被屏蔽，所以要在每一次请求之后让爬虫休息一下，这就是time.sleep()的作用
3.即使这样，也有被屏蔽的可能，必杀技：使用ip代理服务器，百度ip代理，一大堆免费的，方法：见urllib2 api example
优化的代码如下：
#coding:utf-8
#---------------------
# 程序：爬虫采集360搜索关联词
# 语言：python2.7
# 版本：w1
# 时间：2014-06-14
# 作者：wxx
#---------------------
import urllib
import urllib2
import re
import time
from random import choice
#ip代理列表
iplist = ["14.29.117.36:80","222.66.115.229:80","59.46.72.245:8080"]
ip = choice(iplist)
#print ip
#关键词列表，顺序搜索
list = ["集团","科技","python"]
for m in list:
#quote将m转变成URL编码
gjc = urllib.quote(m)
url = "http://sug.so.360.cn/suggest?callback=suggest_so&encodein=utf-8&encodeout=utf-8&format=json&fields=word,obdata&word="+gjc
#头信息
headers = {
"GET":url,
"Host":"sug.so.360.cn",
"Referer":"http://www.so.com/",
"User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36 QIHU 360SE"
}
#使用IP代理服务器
proxy_handler = urllib2.ProxyHandler({'http': 'http://'+ip})
opener = urllib2.build_opener(proxy_handler)
urllib2.install_opener(opener)
req = urllib2.Request(url)
for key in headers:
req.add_header(key,headers[key])
html = urllib2.urlopen(req).read()
#将其他编码变成unicode编码
unicodePage = html.decode("utf-8")
#正则表达式，findall方法返回一个列表
ss = re.findall('"word":\"(.*?)\"',unicodePage)
for item in ss:
print item
#休眠2秒
time.sleep(2)
下一版本的优化考虑：
1.让用户自助输入关键i词，不要事先定义关键词列表
2.按回车进行下一个关键词输入
3.输出结果保存txt文本
4.用户输入exit，程序退出
python爬虫之采集360搜索的联想词,布布扣,bubuko.com
原文地址：http://blog.csdn.net/recsysml/article/details/30541197
