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)
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()