22 lines
925 B
Markdown
22 lines
925 B
Markdown
### 设计思路
|
||
前情提要：百度搜索的爬取处理逻辑和搜狗-微信公众号的逻辑基本一致，但是百度搜索杂系数太大，存在大量不相关内容，所以使用百度的一个参数进行调整。
|
||
api地址：
|
||
www.baidu.com/s?wd={关键词}&cl=3&pn=1&ie=utf-8&rn=20&tn=baidurt
|
||
- wd={关键词}：设置查询关键词
|
||
- cl=3：查询类型，3为网页，2为图片，默认为3
|
||
- pn=1：指定查询页数
|
||
- rn=20：每页显示数量
|
||
- ie=utf-8：指定查询编码格式
|
||
- tn=baidurt：设置为简化格式，爬虫友好化
|
||
|
||
### 速率限制
|
||
建议设置高每页数量，减小搜索次数以规避反爬虫措施。
|
||
|
||
### 使用技术
|
||
- python-bs4网页解析
|
||
- python-sqlite联动
|
||
- python-request爬虫
|
||
- sqlite筛选
|
||
|
||
### 问题阐述
|
||
- 百度抓取的文章若是时间是近日，则不会显示具体时间，而是显示【*天前】，需要处理 |