1.简介
1 有时候我们在用requests抓取页面的时候,得到的结果可能和在浏览器中看到的不一样,在浏览
2 器中可以看到正常显示的页面数据,但是使用requests得到的结果并没有。这是因为requests获取的
3 都是原始的HTML文档,而浏览器中的页面则是经过JavaScript处理数据后生成的结果,这些数据的
4 来源有多种,可能是通过ajax加载的,可能是包含在HTML文档中的,也可能是经过JavaScript和特
5 定算法计算后生成的。
6 对于第一种情况,数据加载是一种异步加载方式,原始的页面最初不会包含某些数据,原始页面
7 加载完后,会再向服务器请求某个接口获取数据,然后数据才被处理从而呈现到网页上,这其实就是
8 发送了一个ajax请求。
9 Web发展的趋势来看,这种形式的页面越来越多,网页的原始HTML文档不会包含任何数据,
10 数据都是通过统一加载后再呈现出来的,这样在We开发上可以做到前后端分离,而且降低服
11 务器直接渲染页面带来的压力。
12 所以如果遇到这样的页面,直接requests等库来抓取原始页面,是无法获取到有效数据的,
13 这时需要分析网页后台接口发送的jax请求,如果可以用requests来模拟Ajax请求,那么就可以
14 成功抓取了。
15 Ajax,是利用JavaScript在保证页面不被刷新、页面链接不改变的情况下与服务器交换数据并更新
16 部分网页的技术。
17 Ajax作用:
18 1.发送请求。 比如:GET、POST、DELETE等请求
19 2.解析内容。 比如:服务器返回的XML、HTML、JSON等文本
20 3.渲染网页。 比如:使用JavaScript在局部更新、删除页面数据
21 在这里我们需要使用浏览器的开发者工具分析什么是ajax请求:
22 打开Chrome,在百度搜索微博并登陆也可以选择不登陆。按F12或者鼠标右键检查(N),
23 打开开发者工具,选择Network再选择XHR,然后滑动页面到底部,会发现出来很多Type是xhr类型的请求,
24 点开其中一个进行查看,请求类型是GET,再点击Preview显示的是JSON字符串,里面包含数据,
25 点开Response这是返回给我们最原始的数据,需要执行相应的渲染方法才会显示到浏览器的页面。
26
27 获取请求连接:http://api1.t.qq.com/asyn/home.php?&time=1540886592&page=4&id=486297042606010&isrecom=0&apiType=14&apiHost=http%3A%2F%2Fapi.t.qq.com&_r=154937
28 ?问号之后是请求参数,time是时间参数,page是页数,id可变随机数字,后面的参数都是固定的。
29 点击Preview,分别点开info和talk这两个元素,里面包含了用户信息和请求内容,一共15条,
30 这样请求一个ajax接口分别对应一页和15条数据
1.实战1
"""微博首页数据抓取实战,根据ajax请求抓取微博首页数据到mongodb数据库"""
import time
import requests
from urllib.parse import urlencode
from pyquery import PyQuery
from pymongo import MongoClient
# 定义请求的URL前半部分
base_url = "https://d.weibo.com/p/aj/discover/loading?"
# 连接MongoDB数据库
client = MongoClient()
# 选择一个指定的数据库
db = client["weibo"]
# MongoDB每个数据库又包含许多集合collection,它类似于关系型数据库中的表.指定一个集合
collection = db["weibo"]
# 获取请求头信息
headers = {
"Host": "d.weibo.com",
"Referer": "https://d.weibo.com/623751_4",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.81 Safari/537.36",
"X-Requested-With": "XMLHttpRequest",
"Cookie": "SINAGLOBAL=6864515739096.891.1548998185053; login_sid_t=2559f2c7dd7bb6887ac8cdf20d7638a4; cross_origin_proto=SSL; _s_tentry=www.baidu.com; Apache=4081118444726.1284.1549420746515; ULV=1549420746520:4:4:3:4081118444726.1284.1549420746515:1549377935756; appkey=; crossidccode=CODE-gz-1GRdhO-gmK0X-y3uIsLpXUizmHrk0b096d; ALF=1580957408; SSOLoginState=1549421409; SUB=_2A25xXjsxDeThGeBH41QV9SbPyzqIHXVSKiv5rDV8PUNbmtBeLRjnkW9NQbEvXVwxASJ0zK19HvDa8bI8wpwLEiKj; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9W5_J5gZ9_ArKvxLE7cIcqAI5JpX5KzhUgL.Foq41hqXSKn0ehq2dJLoIpQ_BEH81F-RBC-RebXLxK-LBK-L12qN1KqES5tt; SUHB=0JvwbnCYpHgJl1; UOR=,,login.sina.com.cn; wvr=6; YF-Page-G0=0f25bf37128de43a8f69dd8388468211; wb_view_log_6986458306=1536*8641.25"
}
def get_page(page, time):
# 构造参数字典并发起请求
params = {
"ajwvr": "6",
"id": "623751_4",
"uid": "6986458306",
"page": page,
"__rnd": time
}
# 调用urlencode()方法把参数转换为URL的GET请求参数
url = base_url + urlencode(params)
try:
# 传递url和请求头信息请求网页内容
response = requests.get(url, headers=headers)
# 判断响应的状态码
if response.status_code == 200:
# 返回请求的json格式数据
return response.json()
except requests.ConnectionError as e:
# 出现异常则打印
print("Error", e.args)
def parse_page(json):
# 解析ajax返回的json字符串
if json:
html = json.get("data").get("html")
# 传递html内容初始化
pq = PyQuery(html)
# 使用css选择器并调用items()方法生成可迭代数据
items = pq(".text_box").items()
for item in items:
# 空字典要放进循环里面来,因为数据的解析是在循环里面完成,一次循环一次解析
weibo = {}
# 调用find()方法传入css节点选择然后调用text()进行文本处理
weibo["title"] = item.find("div a").text()
weibo["text"] = item.find("div").text()
# yield生成器保存数据为一个对象,节省内存空间
yield weibo
def save_to_mongo(result):
# 存储到MongoDB数据库
if collection.insert(result):
print("Saved to Mongo")
if __name__ == "__main__":
# 获取时间参数
time = int(time.time() * 1000)
# 设置需要的页数
for page in range(1, 11):
# 调用函数传递页数和时间参数
json = get_page(page, time)
# 调用解析函数传递返回的json文本完成解析
results = parse_page(json)
# 循环获取生成器中的数据
for result in results:
print(result)
# 调用存储到mongodb的函数完成数据入库
save_to_mongo(result)
View Code
2.实战2
"""今日头条街拍美图实战,根据ajax请求分类别多进程下载街拍美图到本地文件"""
import os
import requests
from urllib.parse import urlencode
from hashlib import md5
from multiprocessing.pool import Pool
def get_page(offset):
# 设置url参数和获取该url请求结果
params = {
"aid": "24",
"offset": offset,
"format": "json",
"keyword": "街拍",
"autoload": "true",
"count": "20",
"cur_tab": "1",
"from": "search_tab",
"pd": "synthesis",
}
# 调用urlencode()方法拼接url
url = "https://www.toutiao.com/api/search/content/?" + urlencode(params)
try:
# 发起请求并获取结果
res = requests.get(url)
# 请求成功返回字符串的json格式
if res.status_code == 200:
return res.json()
except requests.ConnectionError as e:
# 请求失败,打印结果
print("连接错误", e.args)
def get_images(json):
# 如果有获取到数据就解析
if json.get("data"):
for item in json.get("data"):
# 遍历获取需要的信息
title = item.get("title")
images = item.get("image_list")
for image in images:
# 遍历已获取的多个图片
yield {
# yield生成器保存数据为一个对象,节省内存空间
"image": image.get("url"),
"title": title
}
def save_image(item):
# 去重并保存图片
if not os.path.exists(item.get("title")):
# 调用os模块的exists()方法判断当前文件夹下是否没有此名称的文件
# 调用mkdir()方法创建此文件
os.mkdir(item.get("title"))
try:
# 开始请求图片的url连接
res = requests.get(item.get("image"))
if res.status_code == 200:
# 请求成功之后拼接图片下载地址。图片名称为了避免重复则使用md5加密
file_path = "{0}/{1}.{2}".format(item.get("title"), md5(res.content).hexdigest(), "jpg")
if not os.path.exists(file_path):
# 去除重复下载的图片并写入新图片。'wb'二进制形式写入
with open(file_path, "wb") as f:
f.write(res.content)
else:
# 重复下载
print("Already Downloaded", file_path)
except requests.ConnectionError as e:
print("图片获取失败")
def main(offset):
# 调用各功能函数并传入参数即各进程任务
json = get_page(offset)
for item in get_images(json):
print(item)
save_image(item)
if __name__ == "__main__":
pool = Pool()
page_list = ([x * 20 for x in range(1, 21)])
# 调用进程池中的map()方法传入main函数和可迭代的列表
pool.map(main, page_list)
# 关闭进程池pool,使其不在接受新的(主进程)任务
pool.close()
# 主进程阻塞后,让子进程继续运行完成,子进程运行完后,再把主进程全部关掉。
pool.join()
View Code