Skip to content
项目
群组
代码片段
帮助
当前项目
正在载入...
登录 / 注册
切换导航面板
Z
zzsn_spider
概览
概览
详情
活动
周期分析
版本库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
统计图
问题
0
议题
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
CI / CD
CI / CD
流水线
作业
日程表
图表
维基
Wiki
代码片段
代码片段
成员
成员
折叠边栏
关闭边栏
活动
图像
聊天
创建新问题
作业
提交
问题看板
Open sidebar
王景浩
zzsn_spider
Commits
9b2d7df4
提交
9b2d7df4
authored
1月 26, 2024
作者:
薛凌堃
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
谷歌搜索维护
上级
17a85405
隐藏空白字符变更
内嵌
并排
正在显示
1 个修改的文件
包含
13 行增加
和
4 行删除
+13
-4
googleSpider.py
google_comm/googleSpider.py
+13
-4
没有找到文件。
google_comm/googleSpider.py
浏览文件 @
9b2d7df4
...
@@ -237,7 +237,7 @@ class GoogleSpider(object):
...
@@ -237,7 +237,7 @@ class GoogleSpider(object):
current_datetime
=
datetime
.
datetime
.
now
()
current_datetime
=
datetime
.
datetime
.
now
()
delta
=
datetime
.
timedelta
(
days
=
1
)
delta
=
datetime
.
timedelta
(
days
=
1
)
publishtime
=
current_datetime
-
delta
publishtime
=
current_datetime
-
delta
elif
'今天'
in
publishtime
or
'小时前'
in
publishtime
or
'分钟前'
in
publishtime
:
elif
'今天'
in
publishtime
or
'小时前'
in
publishtime
or
'分钟前'
in
publishtime
:
delta
=
datetime
.
timedelta
(
hours
=
5
)
delta
=
datetime
.
timedelta
(
hours
=
5
)
publishtime
=
current_datetime
-
delta
publishtime
=
current_datetime
-
delta
elif
'年'
in
publishtime
and
'月'
in
publishtime
:
elif
'年'
in
publishtime
and
'月'
in
publishtime
:
...
@@ -288,11 +288,15 @@ class GoogleSpider(object):
...
@@ -288,11 +288,15 @@ class GoogleSpider(object):
flag
,
lists
=
self
.
parse_page
()
flag
,
lists
=
self
.
parse_page
()
if
len
(
lists
)
<
1
:
if
len
(
lists
)
<
1
:
time
.
sleep
(
6
)
time
.
sleep
(
6
)
repeatCounts
=
0
for
detail
in
lists
:
for
detail
in
lists
:
durl
=
detail
[
'detailUrl'
]
durl
=
detail
[
'detailUrl'
]
is_member
=
self
.
r
.
sismember
(
'pygoogle_'
+
self
.
wordsCode
,
durl
)
is_member
=
self
.
r
.
sismember
(
'pygoogle_'
+
self
.
wordsCode
,
durl
)
if
is_member
:
if
is_member
:
self
.
logger
.
info
(
f
"{self.searchkw}已存在{detail['title']}"
)
repeatCounts
+=
1
if
repeatCounts
/
len
(
lists
)
>
0.5
:
self
.
logger
.
info
(
f
"{self.searchkw}首页已存在50
%
以上,结束抓取"
)
return
continue
continue
self
.
detailList
.
put
(
detail
)
self
.
detailList
.
put
(
detail
)
...
@@ -305,8 +309,8 @@ class GoogleSpider(object):
...
@@ -305,8 +309,8 @@ class GoogleSpider(object):
hasnext
=
''
hasnext
=
''
timeFlag
=
False
timeFlag
=
False
while
hasnext
==
'下一页'
:
while
hasnext
==
'下一页'
:
#
if self.page_num==5:
if
self
.
page_num
==
5
:
#
break
break
self
.
page_num
=
self
.
page_num
+
1
self
.
page_num
=
self
.
page_num
+
1
self
.
logger
.
info
(
f
"{self.searchkw}...开始抓取第{self.page_num}页..."
)
self
.
logger
.
info
(
f
"{self.searchkw}...开始抓取第{self.page_num}页..."
)
try
:
try
:
...
@@ -315,11 +319,16 @@ class GoogleSpider(object):
...
@@ -315,11 +319,16 @@ class GoogleSpider(object):
break
break
time
.
sleep
(
5
)
time
.
sleep
(
5
)
flag
,
lists
=
self
.
parse_page
()
flag
,
lists
=
self
.
parse_page
()
repeated_counts
=
0
for
detail
in
lists
:
for
detail
in
lists
:
durl
=
detail
[
'detailUrl'
]
durl
=
detail
[
'detailUrl'
]
is_member
=
self
.
r
.
sismember
(
'pygoogle_'
+
self
.
wordsCode
,
durl
)
is_member
=
self
.
r
.
sismember
(
'pygoogle_'
+
self
.
wordsCode
,
durl
)
if
is_member
:
if
is_member
:
self
.
logger
.
info
(
f
"{self.searchkw}已存在{detail['title']}"
)
self
.
logger
.
info
(
f
"{self.searchkw}已存在{detail['title']}"
)
repeated_counts
+=
1
if
repeated_counts
/
len
(
lists
)
>
0.5
:
self
.
logger
.
info
(
f
"{self.searchkw}第{self.page_num}页已存在过多,跳出循环"
)
return
continue
continue
publishTag
=
detail
[
'publishTag'
]
publishTag
=
detail
[
'publishTag'
]
# if publishTag:
# if publishTag:
...
...
编写
预览
Markdown
格式
0%
重试
或
添加新文件
添加附件
取消
您添加了
0
人
到此讨论。请谨慎行事。
请先完成此评论的编辑!
取消
请
注册
或者
登录
后发表评论