一个使用Python编写的轻量级百度爬虫

　　《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 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