抓取/废弃包含特定文本的网站/网页，没有任何此类网站/网页的事先信息

Question

我用的是坚果和肉屑。他们需要种子网址来爬网。这意味着，一个人应该已经知道的网站/网页，其中将包含正在搜索的文本。在

我的情况不同，我没有关于包含我正在搜索的文本的网站/网页的事先信息。所以我不能使用种子url来被nutch和scrapy之类的工具抓取。在

有没有一种方法可以对给定文本的网站/网页进行爬网，而不知道任何可能包含该文本的网站/网页？在

Answer 1

您可以解析the commoncrawl dataset。它包含了数十亿个网页。他们的网站上有一些关于如何使用MapReduce的例子。 除此之外，任何网络爬虫都需要有一些起点。在

Answer 2

您可以使用googlesearchapi（https://developers.google.com/custom-search/json-api/v1/overview?csw=1）每天进行100个免费查询。搜索结果将是JSON格式的，您可以使用该格式将链接提供给scraper。在

Answer 3

你可以使用请求模块来获取数据。在

在下面的例子中，我从所有有“披萨”这个词的网站获取数据。在

import requests
url = 'http://www.google.com/search'
my_headers = { 'User-agent' : 'Mozilla/11.0' }
payload = { 'q' : 'pizza', 'start' : '0' }
r = requests.get( url, params = payload, headers = my_headers )

您可以使用BeautifulGroup库从检索到的数据（HTML数据）中提取任何类型的信息

^{pr2}$

现在如果你想要文本数据，你可以使用这个函数

soup.getText()