使用 urllib2 避免 503 错误

Question

我是用 python 进行网络抓取的新手，所以我不知道我这样做是否正确。

我正在使用一个调用 BeautifulSoup 的脚本来解析 google 搜索的前 10 页中的 URL。使用 stackoverflow.com 进行测试，开箱即用，效果很好。我在另一个网站上测试了几次，试图看看该脚本是否真的可以处理更高的谷歌页面请求，然后它就对我进行了 503 处理。我切换到另一个 URL 进行测试，并处理了几个低页面请求，然后也是 503。现在我传递给它的每个 URL 都是 503'ing。有什么建议吗？

import sys # Used to add the BeautifulSoup folder the import path
import urllib2 # Used to read the html document

if __name__ == "__main__":
### Import Beautiful Soup
### Here, I have the BeautifulSoup folder in the level of this Python script
### So I need to tell Python where to look.
sys.path.append("./BeautifulSoup")
from BeautifulSoup import BeautifulSoup

### Create opener with Google-friendly user agent
opener = urllib2.build_opener()
opener.addheaders = [('User-agent', 'Mozilla/5.0')]

### Open page & generate soup
### the "start" variable will be used to iterate through 10 pages.
for start in range(0,10):
    url = "http://www.google.com/search?q=site:stackoverflow.com&start=" + str(start*10)
    page = opener.open(url)
    soup = BeautifulSoup(page)

    ### Parse and find
    ### Looks like google contains URLs in <cite> tags.
    ### So for each cite tag on each page (10), print its contents (url)
    for cite in soup.findAll('cite'):
        print cite.text

Answer 1

Google 服务条款不允许自动查询。
请参阅这篇文章了解信息：
来自您计算机的异常流量
以及 Google 服务条款

Answer 2

正如 Ettore 所说，抓取搜索结果违反了我们的服务条款。不过，请查看 WebSearch api，特别是文档的底部部分，它应该为您提供有关如何从非 javascipt 环境访问 API 的提示。