思路和部分代码引用迪艾姆培训黄哥爬虫联想词视频，但是太罗嗦了，顺便整理下，而且到现在，360也不傻，已经进化了，采用原来的方式，多少有点bug，这个后面会说。正题如下：

语言：.7.6

模块：,,re,time

目标：输入任意词，抓到其联想词

版本：w1

原理：在360搜索主页：，当你输入”科技“时，搜索框会列出相应的联想词或者短语，我们就是要得到这些联想词，那就要爬360的搜索引擎了。在输入关键词之前，我们在主页右键，”审查元素“——”“——”Name“，输入之后，下面会出现相应的超链接，我们只观察”“”“，”“下我们可以看到”“ URL”和头信息(主机，代理之类的)，“”中看到一个我输入的例子：

({"":"科技 ","":[{"word":"科技美学"},{"word":"科技苑"},{"word":"科技部"},{"word":"科技管理研究"},{"word":"科技少女喵","":"{\"t\":\"\",\"d\":[2,\"http:\/\/\/d\/.jpg\",\"\\\\\\\",\"http:\/\/\/tv\/.html\",3,12]}"},{"word":"科技日报"},{"word":"科技发展利大还是弊大"},{"word":"科技超能王"},{"word":"科技网"},{"word":"科技进步与对策"}],"":"a"});

很明显，我们只要抓到里面的词即可，忘了交代，在 URL中，有一个链接：,&word=%E7%A7%91%E6%8A%80%20，我们输入很多次发现，变得只是“%E7%A7%91%E6%8A%80%20”部分，也就是说前面的部分不变，我们可以直接拿来用，后面的部分随着输入的关键词不同而变化，这是一种URL编码，可以用.()方法实现。

操作：1.加头信息，读取网页，相关方法：.()，.()，,().read()

2.正则匹配：方法：re模块的相关用法，各抒己见。。

代码如下：

#coding:utf-8 import urllib import urllib2 import re import time gjc = urllib.quote("科技") url = "http://sug.so.360.cn/suggest?callback=suggest_so&encodein=utf-8&encodeout=utf-8&format=json&fields=word,obdata&word="+gjc print url req = urllib2.Request(url) html = urllib2.urlopen(req).read() unicodePage = html.decode("utf-8")  #正则表达式，findall方法返回一个列表 ss = re.findall('"word":\"(.*?)\"',unicodePage) for item in ss:     print item

结果：

如果不加 = html.("utf-8") ，返回值会穿插一些乱码，下面我们验证下，我们做的对不对，打开360搜索，输入“科技”，结果如下：

大家不要纠结，第一个和第二个关联词的顺序，我第二次请求的时候就变成了上图的结果，再一次请求，又变回来了，可能是360在变吧，大家可以用其他关键词试试。

好，大体框架已经实现，这是个最初版本，还不能完全无限制使用，我们要做的是畅通无阻，那么存在什么问题呢？

问题：1.多次请求会出现一个错误，大概代号为1005，意思百度了下，好像是说网站会限制非人为的请求，那我们要伪装成用户正常打开网站的行为，我们要用到头信息（这是我自己习惯叫的，我们采用“ ”里面的信息即可

2.请求过快也可能被屏蔽，所以要在每一次请求之后让爬虫休息一下，这就是time.()的作用

3.即使这样，也有被屏蔽的可能，必杀技：使用ip代理服务器，百度ip代理，一大堆免费的，方法：见 api

优化的代码如下：

#coding:utf-8 #--------------------- #   程序：爬虫采集360搜索关联词 #   语言：python2.7 #   版本：w1 #   时间：2014-06-14 #   作者：wxx #--------------------- import urllib import urllib2 import re import time from random import choice #ip代理列表 iplist = ["14.29.117.36:80","222.66.115.229:80","59.46.72.245:8080"] ip = choice(iplist) #print ip #关键词列表，顺序搜索 list = ["集团","科技","python"] for m in list:     #quote将m转变成URL编码     gjc = urllib.quote(m)     url = "http://sug.so.360.cn/suggest?callback=suggest_so&encodein=utf-8&encodeout=utf-8&format=json&fields=word,obdata&word="+gjc     #头信息     headers = {                 "GET":url,                 "Host":"sug.so.360.cn",                 "Referer":"http://www.so.com/",                 "User-Agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36 QIHU 360SE"                 }     #使用IP代理服务器     proxy_handler = urllib2.ProxyHandler({'http': 'http://'+ip})     opener = urllib2.build_opener(proxy_handler)     urllib2.install_opener(opener)     req = urllib2.Request(url)     for key in headers:         req.add_header(key,headers[key])     html = urllib2.urlopen(req).read()     #将其他编码变成unicode编码     unicodePage = html.decode("utf-8")      #正则表达式，findall方法返回一个列表     ss = re.findall('"word":\"(.*?)\"',unicodePage)     for item in ss:         print item     #休眠2秒     time.sleep(2)

结果截图：

下一版本的优化考虑：

1.让用户自助输入关键i词，不要事先定义关键词列表

2.按回车进行下一个关键词输入

3.输出结果保存txt文本

4.用户输入exit，程序退出

参考视频：