提取Google搜索结果

Question

我想定期检查Google列出了哪些子域。

要获取子域列表，我在Google搜索框中键入'site：example.com' - 它列出了所有子域名结果（我们域名超过20页）。

什么是最好的方式来提取只有由'网站：example.com'搜索返回的地址的网址？

我正在考虑编写一个小的python脚本，它将执行上述搜索并从搜索结果中对URL进行正则表达式（在所有结果页面上重复）。这是一个好的开始？有没有更好的方法？

干杯。

Answer 1

正则表达式是用于解析HTML一个坏主意。它阅读起来很神秘，依赖于格式良好的HTML。

尝试使用Python的BeautifulSoup。以下是一个示例脚本，用于返回网站前10个网页的网址：domain.com Google查询。

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:*.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 

输出：

*.com/ 
*.com/questions 
*.com/unanswered 
*.com/users 
meta.*.com/ 
blog.*.com/ 
chat.meta.*.com/ 
... 

当然，你可以每个结果追加到一个列表，以便您可以分析它的子域。我刚刚进入Python并且在几天前进行了修改，但是这会让你开始。

Answer 2

的Google Custom Search API可以提供在ATOM XML格式的结果

Getting Started with Google Custom Search