Python 中的 Google 搜索出错：503 服务不可用

Question

当我尝试在 python 控制台中进行操作时：

from google import search
urls = search("site:facebook.com inurl:login", stop=20)
for url in urls:
    print(url)

为了搜索登录页面，我得到一个错误：

urllib.error.HTTPError: HTTP Error 503: Service Unavailable

但是，如果我尝试在 Google 中手动搜索它，它会起作用，Google 是否会阻止我的查询？

Answer 1

就像Cong Ma 在他的回答中所说，在 google 上进行许多自动搜索会导致 google 阻止你，你会收到错误 503。只有 google 的用于进行当前工作的搜索的 API 是 Google Custom Search API。问题在于它旨在搜索您的页面。并且可以选择将其设置为搜索所有页面（请参阅此answer），但即便如此，您每天也只能有 100 个搜索。之前可以选择使用其他 API，但像 Bing 和 Yahoo 一样，但它们都不再是免费的了。只有进行互联网搜索的免费 API 是 FAROO API。但仍有一种选择可以使用selenium webdriver 进行谷歌搜索。 Selenium 用于模拟浏览器的使用，它有options 来使用 Firefox、Chrome、Edge 或 Safari 网络驱动程序（它实际上会打开 Chrome 并进行搜索），但这很烦人，因为您实际上并不想看到浏览器。但是有一个解决方案，您可以使用PhantomJS。从here下载。提取出来看看下面的例子如何使用（我写了一个简单的类，你可以使用，你只需要改变PhantomJS的路径）：

import time
from urllib.parse import quote_plus
from selenium import webdriver


class Browser:

    def __init__(self, path, initiate=True, implicit_wait_time = 10, explicit_wait_time = 2):
        self.path = path
        self.implicit_wait_time = implicit_wait_time    # http://www.aptuz.com/blog/selenium-implicit-vs-explicit-waits/
        self.explicit_wait_time = explicit_wait_time    # http://www.aptuz.com/blog/selenium-implicit-vs-explicit-waits/
        if initiate:
            self.start()
        return

    def start(self):
        self.driver = webdriver.PhantomJS(path)
        self.driver.implicitly_wait(self.implicit_wait_time)
        return

    def end(self):
        self.driver.quit()
        return

    def go_to_url(self, url, wait_time = None):
        if wait_time is None:
            wait_time = self.explicit_wait_time
        self.driver.get(url)
        print('[*] Fetching results from: {}'.format(url))
        time.sleep(wait_time)
        return

    def get_search_url(self, query, page_num=0, per_page=10, lang='en'):
        query = quote_plus(query)
        url = 'https://www.google.hr/search?q={}&num={}&start={}&nl={}'.format(query, per_page, page_num*per_page, lang)
        return url

    def scrape(self):
        #xpath migth change in future
        links = self.driver.find_elements_by_xpath("//h3[@class='r']/a[@href]") # searches for all links insede h3 tags with class "r"
        results = []
        for link in links:
            d = {'url': link.get_attribute('href'),
                 'title': link.text}
            results.append(d)
        return results

    def search(self, query, page_num=0, per_page=10, lang='en', wait_time = None):
        if wait_time is None:
            wait_time = self.explicit_wait_time
        url = self.get_search_url(query, page_num, per_page, lang)
        self.go_to_url(url, wait_time)
        results = self.scrape()
        return results




path = '<YOUR PATH TO PHANTOMJS>/phantomjs-2.1.1-windows/bin/phantomjs.exe' ## SET YOU PATH TO phantomjs
br = Browser(path)
results = br.search('site:facebook.com inurl:login')
for r in results:
    print(r)

br.end()

Answer 2

Google 确实会尝试防止“意外”查询通过。在普通浏览器 UI 中，它将提供验证码。它将考虑流量模式（“智能”查询的搜索过快、垃圾邮件发送者使用的已知 IP 块）和客户端的行为。

您可以通过捕获来检查错误的详细信息。

try:
    urls = search("site:facebook.com inurl:login", stop=20)
except urllib.error.HTTPError as httperr:
    print(httperr.headers)  # Dump the headers to see if there's more information
    print(httperr.read())   # You can even read this error object just like a normal response file