码迷,mamicode.com
首页 > 编程语言 > 详细

python模块介绍- google 谷歌搜索引擎python接口

时间:2015-06-10 10:34:55      阅读:313      评论:0      收藏:0      [点我收藏+]

标签:

简介

google 模块是谷歌搜索引擎python接口,系用urllib2在google上进行搜索,使用BeautifulSoup进行解释外部封装,非google官方接口。

  • 功能:谷歌搜索引擎python接口

  • 类型:外部模块

  • 当前版本:1.0.5(查看日期2013-12-22)

  • 下载地址: https://pypi.python.org/pypi/google

  • 月下载量:1万左右

  • 平台:跨平台

安装

https://pypi.python.org/pypi/setuptools下载最新版本的setuptools。google模块依赖setuptools2.0。setuptools是安装其他模块的基础,建议通过手动安装保持最新版本。

安装方法:

# tar xzvf setuptools-2.0.tar.gz
# cd setuptools-2.0
# python setup.py install
# easy_install pip
# pip install BeautifulSoup
# pip install google

使用

>>> from google import search
>>> for url in search(‘python‘, tld=‘com.hk‘,, stop=2):
...     print(url)
... 
http://www.python.org/
http://www.python.org/getit/
http://www.python.org/doc/
http://www.python.org/getit/releases/3.3.2/
http://www.python.org/getit/releases/2.7.5/
http://zh.wikipedia.org/zh-hk/Python
http://zh.wikipedia.org/wiki/PyPy
http://zh.wikipedia.org/wiki/%E5%8D%B3%E6%99%82%E7%B7%A8%E8%AD%AF
http://zh.wikipedia.org/wiki/%E5%90%89%E5%A4%9A%C2%B7%E8%8C%83%E7%BD%97%E8%8B%8F%E5%A7%86
http://zh.wikipedia.org/wiki/CPython
http://en.wikipedia.org/wiki/Python_(programming_language)
http://python.org.tw/
http://en.wikipedia.org/wiki/Burmese_python
http://en.wikipedia.org/wiki/Python_regius
http://news.nationalgeographic.com/news/2005/10/1006_051006_pythoneatsgator.html
http://www.animalpeoplenews.org/anp/2013/10/26/alligators-pigs-pythons-the-reptilian-ploy-to-resuscitate-sport-hunting/
http://kidfocused.com/mom-wakes-to-python-wrapped-around-toddler/
http://www.codecademy.com/tracks/python
http://openhome.cc/Gossip/Python/
http://pythonline.com/
http://learnpythonthehardway.org/book/
http://www.learnpython.org/

search(query, tld=‘com‘,, num=10, start=0, stop=None, pause=2.0): 使用谷歌搜索字符串query。返回结果为生成器。参数如下:

  • query (str) - 查询字符串。非URL编码格式。

  • tld (str) - 顶级域名Top level domain。比如com, com.hk。

  • lang (str)  - 语言。

  • num(int)  - 每页的结果数。

  • start(int) – 记录开始点。

  • stop(int) – 记录结束点。

  • pause(int)  - HTTP请求之间的sleep秒数。

get_page(url):使用cookiejar返回页面。相关变量如下:

源码

Google是一个相当小巧强悍的模块,代码只有200多行,是大家学习urlib2,BeautifulSoup的绝好资源,对如何发布python包也相当有借鉴意义。今后在urlib2等模块会深入Google模块,下面附上源码:

#!/usr/bin/env python# Python bindings to the Google search engine# Copyright (c) 2009-2013, Mario Vilas# All rights reserved.## Redistribution and use in source and binary forms, with or without# modification, are permitted provided that the following conditions are met:##     * Redistributions of source code must retain the above copyright notice,#       this list of conditions and the following disclaimer.#     * Redistributions in binary form must reproduce the above copyright#       notice,this list of conditions and the following disclaimer in the#       documentation and/or other materials provided with the distribution.#     * Neither the name of the copyright holder nor the names of its#       contributors may be used to endorse or promote products derived from#       this software without specific prior written permission.## THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS "AS IS"# AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE# IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE# ARE DISCLAIMED. IN NO EVENT SHALL THE COPYRIGHT OWNER OR CONTRIBUTORS BE# LIABLE FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR# CONSEQUENTIAL DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF# SUBSTITUTE GOODS OR SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS# INTERRUPTION) HOWEVER CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN# CONTRACT, STRICT LIABILITY, OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE)# ARISING IN ANY WAY OUT OF THE USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE# POSSIBILITY OF SUCH DAMAGE.__all__ = [‘search‘]import osimport sysimport timeif sys.version_info[0] > 2:
    from http.cookiejar import LWPCookieJar    from urllib.request import Request, urlopen    from urllib.parse import quote_plus, urlparse, parse_qselse:
    from cookielib import LWPCookieJar    from urllib import quote_plus    from urllib2 import Request, urlopen    from urlparse import urlparse, parse_qs# Lazy import of BeautifulSoup.BeautifulSoup = None# URL templates to make Google searches.url_home          = "http://www.google.%(tld)s/"url_search        = "http://www.google.%(tld)s/search?hl=%(lang)s&q=%(query)s&btnG=Google+Search"url_next_page     = "http://www.google.%(tld)s/search?hl=%(lang)s&q=%(query)s&start=%(start)d"url_search_num    = "http://www.google.%(tld)s/search?hl=%(lang)s&q=%(query)s&num=%(num)d&btnG=Google+Search"url_next_page_num = "http://www.google.%(tld)s/search?hl=%(lang)s&q=%(query)s&num=%(num)d&start=%(start)d"# Cookie jar. Stored at the user‘s home folder.home_folder = os.getenv(‘HOME‘)if not home_folder:
    home_folder = os.getenv(‘USERHOME‘)
    if not home_folder:
        home_folder = ‘.‘   # Use the current folder on error.cookie_jar = LWPCookieJar(os.path.join(home_folder, ‘.google-cookie‘))try:
    cookie_jar.load()except Exception:
    pass# Request the given URL and return the response page, using the cookie jar.def get_page(url):
    """
    Request the given URL and return the response page, using the cookie jar.

    @type  url: str
    @param url: URL to retrieve.

    @rtype:  str
    @return: Web page retrieved for the given URL.

    @raise IOError: An exception is raised on error.
    @raise urllib2.URLError: An exception is raised on error.
    @raise urllib2.HTTPError: An exception is raised on error.
    """
    request = Request(url)
    request.add_header(‘User-Agent‘,
                       ‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0)‘)
    cookie_jar.add_cookie_header(request)
    response = urlopen(request)
    cookie_jar.extract_cookies(response, request)
    html = response.read()
    response.close()
    cookie_jar.save()
    return html# Filter links found in the Google result pages HTML code.# Returns None if the link doesn‘t yield a valid result.def filter_result(link):
    try:

        # Valid results are absolute URLs not pointing to a Google domain
        # like images.google.com or googleusercontent.com
        o = urlparse(link, ‘http‘)
        if o.netloc and ‘google‘ not in o.netloc:
            return link        # Decode hidden URLs.
        if link.startswith(‘/url?‘):
            link = parse_qs(o.query)[‘q‘][0]

            # Valid results are absolute URLs not pointing to a Google domain
            # like images.google.com or googleusercontent.com
            o = urlparse(link, ‘http‘)
            if o.netloc and ‘google‘ not in o.netloc:
                return link    # Otherwise, or on error, return None.
    except Exception:
        pass
    return None# Returns a generator that yields URLs.def search(query, tld=‘com‘, lang=‘en‘, num=10, start=0, stop=None, pause=2.0):
    """
    Search the given query string using Google.

    @type  query: str
    @param query: Query string. Must NOT be url-encoded.

    @type  tld: str
    @param tld: Top level domain.

    @type  lang: str
    @param lang: Languaje.

    @type  num: int
    @param num: Number of results per page.

    @type  start: int
    @param start: First result to retrieve.

    @type  stop: int
    @param stop: Last result to retrieve.
        Use C{None} to keep searching forever.

    @type  pause: float
    @param pause: Lapse to wait between HTTP requests.
        A lapse too long will make the search slow, but a lapse too short may
        cause Google to block your IP. Your mileage may vary!

    @rtype:  generator
    @return: Generator (iterator) that yields found URLs. If the C{stop}
        parameter is C{None} the iterator will loop forever.
    """

    # Lazy import of BeautifulSoup.
    # Try to use BeautifulSoup 4 if available, fall back to 3 otherwise.
    global BeautifulSoup    if BeautifulSoup is None:
        try:
            from bs4 import BeautifulSoup        except ImportError:
            from BeautifulSoup import BeautifulSoup    # Set of hashes for the results found.
    # This is used to avoid repeated results.
    hashes = set()

    # Prepare the search string.
    query = quote_plus(query)

    # Grab the cookie from the home page.
    get_page(url_home % vars())

    # Prepare the URL of the first request.
    if start:
        if num == 10:
            url = url_next_page % vars()
        else:
            url = url_next_page_num % vars()
    else:
        if num == 10:
            url = url_search % vars()
        else:
            url = url_search_num % vars()

    # Loop until we reach the maximum result, if any (otherwise, loop forever).
    while not stop or start < stop:

        # Sleep between requests.
        time.sleep(pause)

        # Request the Google Search results page.
        html = get_page(url)

        # Parse the response and process every anchored URL.
        soup = BeautifulSoup(html)
        anchors = soup.find(id=‘search‘).findAll(‘a‘)
        for a in anchors:

            # Get the URL from the anchor tag.
            try:
                link = a[‘href‘]
            except KeyError:
                continue

            # Filter invalid links and links pointing to Google itself.
            link = filter_result(link)
            if not link:
                continue

            # Discard repeated results.
            h = hash(link)
            if h in hashes:
                continue
            hashes.add(h)

            # Yield the result.
            yield link        # End if there are no more results.
        if not soup.find(id=‘nav‘):
            break

        # Prepare the URL for the next request.
        start += num        if num == 10:
            url = url_next_page % vars()
        else:
            url = url_next_page_num % vars()# When run as a script...if __name__ == "__main__":

    from optparse import OptionParser, IndentedHelpFormatter    class BannerHelpFormatter(IndentedHelpFormatter):
        "Just a small tweak to optparse to be able to print a banner."
        def __init__(self, banner, *argv, **argd):
            self.banner = banner
            IndentedHelpFormatter.__init__(self, *argv, **argd)
        def format_usage(self, usage):
            msg = IndentedHelpFormatter.format_usage(self, usage)
            return ‘%s\n%s‘ % (self.banner, msg)

    # Parse the command line arguments.
    formatter = BannerHelpFormatter(
        "Python script to use the Google search engine\n"
        "By Mario Vilas (mvilas at gmail dot com)\n"
        "https://github.com/MarioVilas/google\n"
    )
    parser = OptionParser(formatter=formatter)
    parser.set_usage("%prog [options] query")
    parser.add_option("--tld", metavar="TLD", type="string", default="com",
                      help="top level domain to use [default: com]")
    parser.add_option("--lang", metavar="LANGUAGE", type="string", default="en",
                      help="produce results in the given language [default: en]")
    parser.add_option("--num", metavar="NUMBER", type="int", default=10,
                      help="number of results per page [default: 10]")
    parser.add_option("--start", metavar="NUMBER", type="int", default=0,
                      help="first result to retrieve [default: 0]")
    parser.add_option("--stop", metavar="NUMBER", type="int", default=0,
                      help="last result to retrieve [default: unlimited]")
    parser.add_option("--pause", metavar="SECONDS", type="float", default=2.0,
                      help="pause between HTTP requests [default: 2.0]")
    (options, args) = parser.parse_args()
    query = ‘ ‘.join(args)
    if not query:
        parser.print_help()
        sys.exit(2)
    params = [(k,v) for (k,v) in options.__dict__.items() if not k.startswith(‘_‘)]
    params = dict(params)

    # Run the query.
    for url in search(query, **params):
        print(url)


参考资料


python模块介绍- google 谷歌搜索引擎python接口

标签:

原文地址:http://my.oschina.net/u/1433482/blog/464898

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!