从头学习爬虫（十三）实战篇----百度搜索

一个小的爬虫程序，输入关键词，限制时间，所需条目数，返回在百度搜索得到结果的答案标题及HTML

一个小脚本而已，主要爬取主站首页url geturl('XX XX 首页', page=$page) // 这里填写关键字，支持多个关键字搜索，$page 为爬取页数，默认每页爬取 10 条 建议采用三个关键字搜索，保证搜索结果准确性 eg. geturl('北京 公司 首页', page=10) 爬虫结果自动导出为result.txt 格式：[url] [title] eg. http://www.baidu.com 百度一下，你就知道

htmlunit模拟百度搜索，模拟点击，共3个类，SptCore是浏览器操作，SpiderChoice是选择器样板，ParseDocument是String和URL转Docment对象,里面加入安全转化，里面加入jsoup，操作简单，语法和jquery类似，特别适合新手，大神勿喷

目前支持百度网页搜索，百度图片搜索，百度知道搜索，百度视频搜索，百度资讯搜索，百度文库搜索，百度经验搜索和百度百科搜索。 爬虫（Web Crawler）是一种自动化程序，用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储，以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤： URL收集： 爬虫从一个或多个初始URL开始，递归或迭代地发现新的URL，构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页： 爬虫使用HTTP或其他协议向目标URL发起请求，获取网页的HTML内容。这通常通过HTTP请求库实现，如Python中的Requests库。 解析内容： 爬虫对获取的HTML进行解析，提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据，如文本、图片、链接等。 数据存储： 爬虫将提取的数据存储到数据库、文件或其他存储介质中，以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则： 为避免对网站造成过大负担或触发反爬虫机制，爬虫需要遵守网站的robots.txt协议，限制访问频率和深度，并模拟人类访问行为，如设置User-Agent。 反爬虫应对： 由于爬虫的存在，一些网站采取了反爬虫措施，如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用，包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而，使用爬虫需要遵守法律和伦理规范，尊重网站的使用政策，并确保对被访问网站的服务器负责。