其他搜索引擎

使用我们的universal源代码抓取其他搜索引擎。它接受URL以及附加参数。您可以在下表中找到可用参数的列表。

概述

以下是我们支持的所有可用数据源值与其他目标的快速概述。

来源

描述

结构化数据

universal

提交任何您喜欢的URL。

使用Custom Parser功能获取结构化数据。

代码示例

在下面的示例中，我们发出请求以获取提供的百度URL的结果。

curl 'https://realtime.oxylabs.io/v1/queries' \
--user 'USERNAME:PASSWORD' \
-H 'Content-Type: application/json' \
-d '{
        "source": "universal",
        "url": "http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&ch=&tn=baidu&bar=&wd=adidas"
    }'

import requests
from pprint import pprint

# Structure payload.
payload = {
    'source': 'universal',
    'url': 'http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&ch=&tn=baidu&bar=&wd=adidas'
}

# Get response.
response = requests.request(
    'POST',
    'https://realtime.oxylabs.io/v1/queries',
    auth=('user', 'pass1'),
    json=payload,
)

# Instead of response with job status and results url, this will return the
# JSON response with results.
pprint(response.json())

# URL has to be encoded to escape `&` and `=` characters:
# URL: http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&ch=&tn=baidu&bar=&wd=adidas
# Encoded URL: http%3A%2F%2Fwww.baidu.com%2Fs%3Fie%3Dutf-8%26f%3D8%26rsv_bp%3D1%26rsv_idx%3D1%26ch%3D%26tn%3Dbaidu%26bar%3D%26wd%3Dadidas

https://realtime.oxylabs.io/v1/queries?source=universal&url=http%3A%2F%2Fwww.baidu.com%2Fs%3Fie%3Dutf-8%26f%3D8%26rsv_bp%3D1%26rsv_idx%3D1%26ch%3D%26tn%3Dbaidu&bar=&wd=adidas&access_token=12345abcde

<?php

$params = array(
    'source' => 'universal',
    'url' => 'http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&ch=&tn=baidu&bar=&wd=adidas'
);

$ch = curl_init();

curl_setopt($ch, CURLOPT_URL, "https://data.oxylabs.io/v1/queries");
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode($params));
curl_setopt($ch, CURLOPT_POST, 1);
curl_setopt($ch, CURLOPT_USERPWD, "user" . ":" . "pass1");

$headers = array();
$headers[] = "Content-Type: application/json";
curl_setopt($ch, CURLOPT_HTTPHEADER, $headers);

$result = curl_exec($ch);
echo $result;

if (curl_errno($ch)) {
    echo 'Error:' . curl_error($ch);
}
curl_close($ch);

{
    "source": "universal", 
    "url": "http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&ch=&tn=baidu&bar=&wd=adidas"
}

以上示例使用了 Realtime 集成方法。如果您想在您的查询中使用一些其他集成方法（如推拉或代理端点），请参考集成方法部分。

查询参数

参数

描述

默认值

source

数据源。更多信息。

universal

url

转到通用页面的直接 URL（链接）。

不适用

user_agent_type

设备类型和浏览器。单击此处查看完整列表。

desktop

geo_location

用于检索数据的代理的地理定位。单击此处查看支持位置的完整列表。

不适用

locale

区域设置，正如接受语言标头所预期的一样。

不适用

render

启用 JavaScript 渲染。更多信息。

不适用

content_encoding

如果正在下载图像，请添加此参数。单击此处了解更多相关信息。

base64

context: content

Base64 编码的 POST 请求正文。只有将 http_method 设为 post 时才有用。

不适用

context: cookies

传递自己的 cookies。

不适用

context: follow_redirects

表明您是否希望爬虫程序遵循重定向（带有目标 URL 的 3xx 响应）以获得重定向链末端的 URL 内容。

不适用

context: headers

传递自己的标头。

不适用

context: http_method

如果您希望通过网络爬虫 API 程序向您的目标 URL 发出 POST 请求，则可以将其设置为 post。

get

context: session_id

I如果要在多个请求中使用同一个代理，则可以通过使用该参数来实现。只要将您的会话设置为您想要的任何字符串，我们就会为该 ID 分配一个代理，并最长保留 10 分钟。之后，如果使用相同的会话 ID 提出另一个请求，我们将为该特定会话 ID 分配一个新代理。

不适用

context: successful_status_codes

定义一个或几个自定义的 HTTP 响应代码，我们将根据此代码确定爬取是否成功，并将相关内容返回给您。如果您希望我们返回 503 错误页面，则该参数可能很有用，同时也适用于其他一些非标准的情况。

不适用

callback_url

转至回调端点的 URL。更多信息。

不适用

- 必须提供的参数

形成URL

百度

作业参数分配到URL：

https://<subdomain>.baidu.<domain>/s?ie=utf-8&wd=<query>&rn=<limit>&pn=<calculated_start_page>

当形成URL时，请遵循以下说明：

编码搜索词：搜索词必须进行URL编码。例如，空格应替换为%20，这代表URL中的空格字符。
计算起始页：start_page参数现在对应要跳过的搜索结果数量。使用公式 limit * start_page - limit 计算值。
子域分配：子域值取决于作业中提供的用户代理类型。如果用户代理类型包含mobile，则子域值应为m。否则，应为www。
查询参数：根据子域值（m或www），查询参数应相应调整（对于m为word，对于www为wd）。

示例生成的URL

移动端：

https://m.baidu.com/s?ie=utf-8&word=test&rn=10&pn=20

桌面端：

https://www.baidu.com/s?ie=utf-8&wd=test%20query&rn=13

等效作业示例

停用的百度搜索源：

{
    "source": "baidu_search",
    "query": "test",
    "domain": "com",
    "limit": 5,
    "start_page": 3,
    "user_agent_type": "desktop"
}

更新后的universal源：

{
    "source": "universal",
    "url": "https://www.baidu.com/s?ie=utf-8&wd=test&rn=5&pn=10",
    "user_agent_type": "desktop"
}

Yandex

作业参数分配到URL：

https://yandex.<domain>/search/?text=<query>&numdoc=<limit>&p=<start_page>&lr=<geo_location>

当形成URL时，请遵循以下说明：

编码搜索词：搜索词必须进行URL编码。例如，空格应替换为%20，这代表URL中的空格字符。
起始页调整：start_page的值必须减1。例如，如果所需的起始页为3，则URL中的页码值应为2。
本地化：如果域名为ru或tr，则添加一个附加查询参数lr，并赋值为geo_location。对于其他域名，geo_location值在查询参数rstr下，且值前加一个-符号。
不支持：pages参数不再支持。必须通过更改URL中的当前页码值分别提交作业。

生成的URL示

https://yandex.ru/search/?text=test&numdoc=5&p=0&lr=100

https://yandex.com/search/?text=test%201&numdoc=10&p=2&rstr=-100

等效作业示例

停用的Yandex搜索源：

{
    "source": "yandex_search",
    "query": "test",
    "domain": "com",
    "limit": 5,
    "start_page": 3,
    "geo_location": 100,
    "results_language": "en"
}

更新后的universal源：

{
    "source": "universal",
    "url": "https://yandex.ru/search?text=adidas&numdoc=5&p=2&lr=100&lang=en"
}

参数值

Geo_Location

请在下方查看支持地理位置的完整列表。

3KB

universal-supported-geo_location-values-web-scraper.csv

示例如下：

"United Arab Emirates",
"Albania",
"Armenia",
"Angola",
"Argentina",
"Australia",
...
"Uruguay",
"Uzbekistan",
"Venezuela Bolivarian Republic of",
"Viet Nam",
"South Africa",
"Zimbabwe"

HTTP_Method

通用 Crawler 支持两种 HTTP 方法。GET（默认）和POST。

"GET",
"POST"

Previous参数值 Next网络爬虫 API

Last updated 6 months ago