在公司中需要去抓取一些数据，就遇到了以下这些问题：
想通过爬虫获取百度搜索结果的原始链接。通过Firefox的HttpFox插件，发现在搜索结果的URL是加密过的，例如：
/link?url=w0Kz2y9t3Ne9YtTTkZ1M_ToY43HWy3tia4djxC8u9CC
点击链接之后，会向该链接发送GET，从服务器得到的回复中包含真实URL：
想通过python爬虫模拟这个过程：
获取关键字，构造百度搜索URL（借助Firefox自带的百度搜索，构建简化的搜索链接）
通过pyquery获取页面中所有的搜索结果URL：
[(site.attr('href'), site.text().encode('utf-8')) for site in self.page('div.result.c-container h3.t a').items()]
//不知道这个items()方法在这里用的对不对
向加密后的URL发起GET请求，试图获得HttpFox中获取到的content
提取真实URL，进行显示
目前可以获取到页面加密后的URL（但是针对相同的一个网址每次获取的加密后URL都不同，可以理解），但是第3步获取到的页面，不是httpfox中的那个页面，而是很复杂的页面（应该是跳转之后到页面）。
尝试了requests.get()中设定参数allow_redirects=False，但是获取的回复也不是httpfox的那个content。
#!/usr/bin/python#coding=utf-8import reimport requestsfrom pyquery import PyQuery as Pqclass BaiduSearchSpider(object):def __init__(self, searchText):self.url = "/baidu?wd=%s&tn=monline_4_dg" % searchTextself.headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_3) AppleWebKit/600.5.17 (KHTML, like Gecko) Version/8.0.5 Safari/600.5.17"}self._page = None@property def page(self):if not self._page:r = requests.get(self.url, headers=self.headers)r.encoding = 'utf-8'self._page = Pq(r.text)return self._page@propertydef baiduURLs(self):return [(site.attr('href'), site.text().encode('utf-8')) for site in self.page('div.result.c-container h3.t a').items()]@property def originalURLs(self):tmpURLs = self.baiduURLsprint tmpURLsoriginalURLs = []for tmpurl in tmpURLs:tmpPage = requests.get(tmpurl[0])#tmpPage.encoding = 'utf-8' #这样不好使，print的时候python报错tmptext = tmpPage.text.encode('utf-8')urlMatch = re.search(r'URL=\'(.*?)\'', tmptext, re.S)if not urlMatch == None:print urlMatch.group(1), " ", tmpurl[1]originalURLs.append(tmpurl)else:print "---------------"print "No Original URL found!!"print tmpurl[0]print tmpurl[1]return originalURLssearchText = raw_input("搜索内容是：") print searchTextbdsearch = BaiduSearchSpider(searchText) originalurls = bdsearch.originalURLsprint '=======Original URLs========'print originalurlsprint '============================'
通过pyquery的history属性，发现baidu这些连接大多进行了redirect（http 302），但是有一部分链接是直接获得了http200回复。对于从百度爬取的加密的url，进行requests.get()时不允许跳转（allow_redirects=False）。然后针对这两类服务器回复分别处理：
http 302跳转：从headers中的'location'可以获得原始url；
http 200回复：从content中通过正则表达式获取原始url
对上述代码中的def originalURLs(self)函数进行修改：
for tmpurl in tmpURLs:tmpPage = requests.get(tmpurl[0], allow_redirects=False)if tmpPage.status_code == 200:urlMatch = re.search(r'URL=\'(.*?)\'', tmpPage.text.encode('utf-8'), re.S)originalURLs.append((urlMatch.group(1), tmpurl[1]))elif tmpPage.status_code == 302:originalURLs.append((tmpPage.headers.get('location'), tmpurl[1]))else:print 'No URL found!!'
抓了几页，发现绝大部分url是通过302跳转的。不知道为什么httpfox上会看到好多是200OK状态的。
