java 中的json爬虫爬虫json数据

转载

mob64ca13f8b166 2024-08-22 12:12:40

文章标签 java 中的json爬虫 python 爬虫开发语言 Windows 文章分类 Java 后端开发

提示：本章爬取练习的url地址 = 发现曲谱 (yoopu.me)

前言

我们学爬虫，有时候想要的数据并不在html文本里面，而是通过js动态渲染出来的。

如果我们需要爬取此类数据的话，我们该怎么办呢？

请读者接着往下看：

提示：以下是本篇文章正文内容，下面案例可供参考

一、首先第一步先确定数据是以什么形式加载出来的。

这个很简单首先先打开页面源代码，然后ctrl + f 搜索内容的关键字。如果搜索的到那就很简单！

直接请求获取页面源代码解析数据就可以了。

如果并发现数据并没有在html代码里面，那我们就 f12 打开开发者工具点击这里

java 中的json爬虫爬虫json数据_开发语言

然后滑动页面让其继续加载数据就会这样

java 中的json爬虫爬虫json数据_爬虫_02

通过每次滑动发现滑动一次就会接收到这些有规律的数据包

java 中的json爬虫爬虫json数据_开发语言_03

然后我们点击page=0 再点击 prevrew 会发现里面的数据正是页面加载的数据

java 中的json爬虫爬虫json数据_python_04

现在再点击 headers 获取需要请求的 url

java 中的json爬虫爬虫json数据_开发语言_05

二、确定需要访问的url之后就开始准备写代码

1.这次请求需要引入的库

代码如下（示例）

import json
import requests
import random
import time

2.准备请求需要的数据

代码如下（示例）：

本节使用较严格的反反爬措施，并使用面向对象编程所以需要的数据有点多。

# 创建一个对象
class Get_url(object):
    # 定义初始化属性
    def __init__(self, num):
        # 这条是需要我们访问的 url ，实现翻页功能在主程序入口， 到时候传参给num就能实现翻页功能
        self.url = f'https://yoopu.me/api/posts/new?page={num}'
        # 这是伪造头，待会会随机选取其中之一
        self.USER_AGENTS = [
            "Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1"
            "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
            "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
            "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
            "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
            "Opera/9.80 (Windows NT 5.1; U; zh-cn) Presto/2.9.168 Version/11.50",
            "Mozilla/5.0 (Windows NT 5.1; rv:5.0) Gecko/20100101 Firefox/5.0",
            "Mozilla/5.0 (Windows NT 5.2) AppleWebKit/534.30 (KHTML, like Gecko) Chrome/12.0.742.122 Safari/534.30",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
            "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0",
            "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0)",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.2)",
            "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
            "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT)",
            "Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1",
            "Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070309 Firefox/2.0.0.3",
            "Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070803 Firefox/1.5.0.12 "
        ]
        # 这是ip代理池，待会会随机选取其中之一
        self.IP_AGENTS = [{'HTTP': '60.170.204.30:8060'},
                          {'HTTP': '111.3.118.247:30001'},
                          {'HTTP': '220.168.52.245:53548'},
                          {'HTTP': '202.116.32.236:80'},
                          {'HTTP': '14.215.212.37:9168'},
                          {'HTTP': '39.106.71.115:7890'},
                          {'HTTP': '220.168.52.245:53548'},
                          {'HTTP': '202.55.5.209:8090'},
                          {'HTTP': '118.163.120.181:58837'},
                          {'HTTP': '121.13.252.62:41564'},
                          {'HTTP': '106.54.128.253:999'},
                          {'HTTP': '202.55.5.209:8090'},
                          {'HTTP': '210.5.10.87:53281'},
                          {'HTTP': '202.55.5.209:8090'},
                          {'HTTP': '112.6.117.135:8085'},
                          {'HTTP': '61.150.96.27:36880'},
                          {'HTTP': '106.15.197.250:8001'},
                          {'HTTP': '202.109.157.65:9000'},
                          {'HTTP': '112.74.17.146:8118'},
                          {'HTTP': '183.236.123.242:8060'},
                          {'HTTP': '220.168.52.245:53548'},
                          {'HTTP': '103.37.141.69:80'},
                          {'HTTP': '218.75.69.50:57903'},
                          {'HTTP': '202.55.5.209:8090'},
                          {'HTTP': '202.55.5.209:8090'},
                          {'HTTP': '113.88.208.112:8118'},
                          {'HTTP': '122.9.101.6:8888'},
                          {'HTTP': '47.113.90.161:83'},
                          {'HTTP': '106.15.197.250:8001'},
                          {'HTTP': '61.216.156.222:60808'}, ]

        # 构建headers请求头 把ua伪造头通过random随机选取一个传进去
        self.headers = {'Accept': 'image/webp,image/apng,image/svg+xml,image/*,*/*;q=0.8',
                        'Accept-Encoding': 'gzip, deflate, br',
                        'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6',
                        'Connection': 'keep-alive',
                        'Cookie': 'BDUSS_BFESS=VhlWExJYUxHLUd-VDQ3VHl4WktUb2dYSXZmWEdId3ViSG41Z2tHT3FhcnBpVlppRVFBQUFBJCQAAAAAAAAAAAEAAACFlYZcyqfIpb7N1tjNt9TZwLQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAOn8LmLp~C5iY; BAIDUID_BFESS=42114CA345FFDDD003FDB91BC19F4B5D:FG=1; HMACCOUNT_BFESS=76DA5CF409547AE8',
                        'Host': 'hm.baidu.com',
                        'Referer': 'https://yoopu.me/',
                        'Sec-Fetch-Dest': 'image',
                        'Sec-Fetch-Mode': 'no-cors',
                        'Sec-Fetch-Site': 'cross-site',
                        'User-Agent': random.choice(self.USER_AGENTS),
                        'sec-ch-ua': '" Not A;Brand";v="99", "Chromium";v="101", "Microsoft Edge";v="101"',
                        'sec-ch-ua-mobile': '?0',
                        'sec-ch-ua-platform': '"Windows"'}

        # 构建ip， 也通过随机模块传入
        self.proxies = random.choice(self.IP_AGENTS)

3.访问url并返回 json数据

# 获取网页的json数据方法
    def get_url(self):
        # 让程序延迟 0.5 到 1.5秒之间的时间随机访问
        time.sleep(random.uniform(0.5, 1.5))
        # 用get请求发送， 传入url，请求头， ip代理 然后用json数据保存
        response = requests.get(self.url, headers=self.headers, proxies=self.proxies).json()
        # 退出函数返回 response
        return response

4.处理json数据并解析数据

# 提取json 关键数据方法
    def url_date(self):
        # 用res变量接收 get_url返回的数据
        res = self.get_url()

        # 然后解析 我们请求下来的数据，发现我们获取的数据是一个列表，
        # 然后里面数据是字典形式存在 ， 这样的话我们就可以通过遍历列表然后通过 key查找获取到值了
        for i in res:
            # 因为发现有一些数据 里面不包含我们所需要的信息， 然后找不到就会异常
            # 所以我们就用异常处理， 如果异常就执行 except的代码
            try:
                singer = i['artist']
                print(singer)
            except Exception as a:
                print('抱歉，没有获取到乐队信息！')

            try:
                singer = i['title']
                print(singer)
            except Exception as a:
                print('抱歉没有获取到歌名！')

            try:
                singer = 'https://yoopu.me/view/' + i['id']
                print(singer)
            except Exception as a:
                print('抱歉没有获取到歌名网址！')

            try:
                singer = i['key']
                print(singer + '调')
            except Exception as a:
                print('抱歉没有获取到歌曲音调！')
            print('\n')

5.创建方法运行上面的代码

# 创建一个方法来运行上面的代码
    def run(self):
        self.url_date()

6.创建主程序入口并实现翻页功能

# 创建主程序入口
if __name__ == '__main__':
    # 实现翻页功能 循环0-50 然后传参进Get_url对象然后实现翻页功能
    for i in range(0, 50):
        run_1 = Get_url(i)
        run_1.run()
        # 实现爬取第几页
        print(f'已经爬取第{i + 1}页')
    print('爬取完毕！')

总结

上面已经实现了数据爬取，数据保存就不实现了，给读者操作一下。

以下是全部代码：

代码基本全部注释

import json
import requests
import random
import time

# 创建一个对象
class Get_url(object):
    # 定义初始化属性
    def __init__(self, num):
        # 这条是需要我们访问的 url ，实现翻页功能在主程序入口， 到时候传参给num就能实现翻页功能
        self.url = f'https://yoopu.me/api/posts/new?page={num}'
        # 这是伪造头，待会会随机选取其中之一
        self.USER_AGENTS = [
            "Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1"
            "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
            "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
            "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
            "Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
            "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
            "Opera/9.80 (Windows NT 5.1; U; zh-cn) Presto/2.9.168 Version/11.50",
            "Mozilla/5.0 (Windows NT 5.1; rv:5.0) Gecko/20100101 Firefox/5.0",
            "Mozilla/5.0 (Windows NT 5.2) AppleWebKit/534.30 (KHTML, like Gecko) Chrome/12.0.742.122 Safari/534.30",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
            "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
            "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
            "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0",
            "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0)",
            "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.2)",
            "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",
            "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT)",
            "Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1",
            "Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070309 Firefox/2.0.0.3",
            "Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070803 Firefox/1.5.0.12 "
        ]
        # 这是ip代理池，待会会随机选取其中之一
        self.IP_AGENTS = [{'HTTP': '60.170.204.30:8060'},
                          {'HTTP': '111.3.118.247:30001'},
                          {'HTTP': '220.168.52.245:53548'},
                          {'HTTP': '202.116.32.236:80'},
                          {'HTTP': '14.215.212.37:9168'},
                          {'HTTP': '39.106.71.115:7890'},
                          {'HTTP': '220.168.52.245:53548'},
                          {'HTTP': '202.55.5.209:8090'},
                          {'HTTP': '118.163.120.181:58837'},
                          {'HTTP': '121.13.252.62:41564'},
                          {'HTTP': '106.54.128.253:999'},
                          {'HTTP': '202.55.5.209:8090'},
                          {'HTTP': '210.5.10.87:53281'},
                          {'HTTP': '202.55.5.209:8090'},
                          {'HTTP': '112.6.117.135:8085'},
                          {'HTTP': '61.150.96.27:36880'},
                          {'HTTP': '106.15.197.250:8001'},
                          {'HTTP': '202.109.157.65:9000'},
                          {'HTTP': '112.74.17.146:8118'},
                          {'HTTP': '183.236.123.242:8060'},
                          {'HTTP': '220.168.52.245:53548'},
                          {'HTTP': '103.37.141.69:80'},
                          {'HTTP': '218.75.69.50:57903'},
                          {'HTTP': '202.55.5.209:8090'},
                          {'HTTP': '202.55.5.209:8090'},
                          {'HTTP': '113.88.208.112:8118'},
                          {'HTTP': '122.9.101.6:8888'},
                          {'HTTP': '47.113.90.161:83'},
                          {'HTTP': '106.15.197.250:8001'},
                          {'HTTP': '61.216.156.222:60808'}, ]

        # 构建headers请求头 把ua伪造头通过random随机选取一个传进去
        self.headers = {'Accept': 'image/webp,image/apng,image/svg+xml,image/*,*/*;q=0.8',
                        'Accept-Encoding': 'gzip, deflate, br',
                        'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,en-GB;q=0.7,en-US;q=0.6',
                        'Connection': 'keep-alive',
                        'Cookie': 'BDUSS_BFESS=VhlWExJYUxHLUd-VDQ3VHl4WktUb2dYSXZmWEdId3ViSG41Z2tHT3FhcnBpVlppRVFBQUFBJCQAAAAAAAAAAAEAAACFlYZcyqfIpb7N1tjNt9TZwLQAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAOn8LmLp~C5iY; BAIDUID_BFESS=42114CA345FFDDD003FDB91BC19F4B5D:FG=1; HMACCOUNT_BFESS=76DA5CF409547AE8',
                        'Host': 'hm.baidu.com',
                        'Referer': 'https://yoopu.me/',
                        'Sec-Fetch-Dest': 'image',
                        'Sec-Fetch-Mode': 'no-cors',
                        'Sec-Fetch-Site': 'cross-site',
                        'User-Agent': random.choice(self.USER_AGENTS),
                        'sec-ch-ua': '" Not A;Brand";v="99", "Chromium";v="101", "Microsoft Edge";v="101"',
                        'sec-ch-ua-mobile': '?0',
                        'sec-ch-ua-platform': '"Windows"'}

        # 构建ip， 也通过随机模块传入
        self.proxies = random.choice(self.IP_AGENTS)

    # 获取网页的json数据方法
    def get_url(self):
        # 让程序延迟 0.5 到 1.5秒之间的时间随机访问
        time.sleep(random.uniform(0.5, 1.5))
        # 用get请求发送， 传入url，请求头， ip代理 然后用json数据保存
        response = requests.get(self.url, headers=self.headers, proxies=self.proxies).json()
        # 退出函数返回 response
        return response



    # 提取json 关键数据方法
    def url_date(self):
        # 用res变量接收 get_url返回的数据
        res = self.get_url()

        # 然后解析 我们请求下来的数据，发现我们获取的数据是一个列表，
        # 然后里面数据是字典形式存在 ， 这样的话我们就可以通过遍历列表然后通过 key查找获取到值了
        for i in res:
            # 因为发现有一些数据 里面不包含我们所需要的信息， 然后找不到就会异常
            # 所以我们就用异常处理， 如果异常就执行 except的代码
            try:
                singer = i['artist']
                print(singer)
            except Exception as a:
                print('抱歉，没有获取到乐队信息！')

            try:
                singer = i['title']
                print(singer)
            except Exception as a:
                print('抱歉没有获取到歌名！')

            try:
                singer = 'https://yoopu.me/view/' + i['id']
                print(singer)
            except Exception as a:
                print('抱歉没有获取到歌名网址！')

            try:
                singer = i['key']
                print(singer + '调')
            except Exception as a:
                print('抱歉没有获取到歌曲音调！')
            print('\n')


    # 创建一个方法来运行上面的代码
    def run(self):
        self.url_date()

# 创建主程序入口
if __name__ == '__main__':
    # 实现翻页功能 循环0-50 然后传参进Get_url对象然后实现翻页功能
    for i in range(0, 50):
        run_1 = Get_url(i)
        run_1.run()
        # 实现爬取第几页
        print(f'已经爬取第{i + 1}页')
    print('爬取完毕！')

本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。

上一篇：基于Python学生成绩管理系统的功能需求分析数据恢复与备份应该怎样 python学生成绩管理系统gui

下一篇：chrome开发工具还原sourcemap chrome还原默认设置

提问和评论都可以，用心的回复会被更多人看到评论

发布评论

相关文章

官方博客	全部文章	热门标签	班级博客
了解我们	网站地图	意见反馈

鸿蒙开发者社区	51CTO学堂
51CTO	软考资讯