抓取js动态生成的数据分析案例

需求：

爬取https://www.xuexi.cn/f997e76a890b0e5a053c57b19f468436/data018d244441062d8916dd472a4c6a0a0b.html页面中的新闻数据。
1.爬取当前页中所有新闻的详情内容
2.进行任意的持久化存储操作
3.注意：新闻详情内容为新闻详情页中的文本数据，
4.该文本数据最终解析到的可以是携带html标签的内容！

分析：

　　1.首先通过分析页面会发现该页面中的新闻数据都是动态加载出来的，并且通过抓包工具抓取数据可以发现动态数据也不是ajax请求获取的动态数据（因为没有捕获到ajax请求的数据包），那么只剩下一种可能，该动态数据是js动态生成的。

　　2.通过抓包工具查找到底数据是由哪个js请求产生的动态数据：打开抓包工具，然后对首页url（第一行需求中的url）发起请求，捕获所有的请求数据包。

分析js数据包响应回来的数据：

该响应数据对应的url可以在抓包工具对应的该数据包的header选项卡中获取。获取url后，对其发起请求即可获取上图中选中的相应数据，该响应数据类型为application/javascript类型，所以可以将获取的响应数据通过正则提取出最外层大括号中的数据，然后使用json.loads将其转为字典类型，然后逐步解析出数据中所有新闻详情页的url即可。

- 获取详情页中对应的新闻详情数据：对详情页发起请求后，会发现详情页的新闻数据也是动态加载出来的，因此还是跟上述步骤一样，在抓包工具中对详情页中的局部数据进行搜索，定位到指定的js数据包：

该js数据包的url为：

详情页url，获取后，即可请求到该数据包对应的响应数据了，该相应数据中就包含了对应新闻详情数据了。注意，该响应数据的类型同样为application/javascript，所以数据解析同上！

分析首页中所有新闻的详情页url和新闻详情数据对应的js数据包的url之间的关联：

　　- 首页中某一新闻详情页的url：            https://www.xuexi.cn/5c39c314138da31babf0b16af5a55da4/e43e220633a65f9b6d8b53712cba9caa.html

　　- 该新闻详情数据对应的js数据包的url：https://www.xuexi.cn/5c39c314138da31babf0b16af5a55da4/datae43e220633a65f9b6d8b53712cba9caa.js

　　- 所有的新闻详情对应的js数据包的黄色选中部分都是一样的只是红色部分各自不同，但是红色部分却和该新闻详情页的url中的红色部分是相同的！！！新闻详情页的url是可以在上述过程中解析出来的。因此现在就可以批量产生出详情数据对应js数据包的url的，然后批量进行数据请求，获取响应数据，然后对响应数据进行解析即可完成最终的需求！

代码：

# url -- https://www.xuexi.cn/f997e76a890b0e5a053c57b19f468436/data018d244441062d8916dd472a4c6a0a0b.html
import json
import re
import requests
from lxml import etree
headers = {
    "user-agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.12 Safari/537.36"
}
url_index = "https://www.xuexi.cn/f997e76a890b0e5a053c57b19f468436/data018d244441062d8916dd472a4c6a0a0b.js"

# 响应数据是application/javascript类型，通过正则匹配数据
res_text = requests.get(url=url_index, headers=headers).text
res_str = re.findall('{.*}',res_text)[0]
res_dic = json.loads(res_str)

detial_url_list = []  # 存储获取详情页数据包的url
# 解析出详情页的url
for dic in res_dic.values():
    try:
        data_list = dic["list"]
    except:
        continue
    for data in data_list:
        # 详情页面的url
        detial_url = data["static_page_url"]
        # 通过详情页url，拼接出返回详情页数据的url
        
        # 方法一： url只有一段是动态的
        detial_data_url = detial_url.replace('e43e220633a65f9b6d8b53712cba9caa.html','datae43e220633a65f9b6d8b53712cba9caa.js')        
        # 方法二：假设url有两段都是动态的，先切割获取再拼接   
#         detial_url = detial_url.replace('.html','.js')  # 将后缀改为js 
#         li = detial_url.split("/")
#         li.append("data" + li.pop())   
#         detial_data_url = '/'.join(li)  # 拼接成功的详情页数据包url        
        detial_url_list.append(detial_data_url)

n = 0
for url in detial_url_list:
#     # 获取详情页的数据
    response_text = requests.get(url=url,headers=headers).text
    response_str = re.findall('{.*}',response_text)[0]
    response_dic = json.loads(response_str)
    detail_dic = response_dic["fp8ttetzkclds001"]["detail"]
    title = detail_dic["frst_name"]
    content = detail_dic["content"]
    write_data = f"新闻标题：{title}
新闻内容：{content}
"
    # 持久化储存,将所有新闻存在一个文件里
    with open(f'./{title}xw.txt','w', encoding='utf-8') as fp:
        fp.write(write_data)
    n += 1
    print(f"新闻存储成功{n}")