网络爬虫练习

2023-09-28 09:55:34

数据的加载方式(重要)

1.常见的加载方式

　　朝服务器发请求页面数据直接全部返回并加载
（如何验证数据是直接加载还是其他方式
浏览器空白处鼠标右键点击查看网页源码在源码界面搜索对应的数据
如果能收到就表示该数据是直接加载的(你可以直接发送相应请求获取）

2.内部js代码请求

　　先加载一个页面的框架之后再朝各项数据的网址发送请求获取数据
（如何查找关键性的数据来源需要借助于浏览器的network监测核对内部请求
请求的数据一般都是json格式）

爬取天气数据

1.拿到页面之后先分析数据加载方式

2.发现历史数据并不是直接加载的

　　统一的研究方向>>>:利用network查看

3.查找到可疑的网址并查看请求方式

　　如果是get请求那么可以直接拷贝网址在浏览器地址栏访问

4.将请求获得的数据稍作分析

　　https://www.bejson.com/

5.利用requests模块朝发现的地址发送get请求获取json数据

6.可以研究历史天气数据的url找规律即可爬取指定月份的数据

import requests
import pandas

res = requests.get(
    'http://tianqi.2345.com/Pc/GetHistory?areaInfo%5BareaId%5D=60010&areaInfo%5BareaType%5D=2&date%5Byear%5D=2021&date%5Bmonth%5D=6')
# print(res.json())  # 反序列化成字典之后 比对一下数据在哪个键值对中
real_data_html = res.json().get('data')

后期再学目前先了解

df1 = pandas.read_html(real_data_html)[0]
df1.to_excel(r'qianqi.xlsx')

百度翻译

1.在查找单词的时候页面是在动态变化的

2.并且针对单词的详细翻译结果数据是动态请求获取的

3.打开network之后输入英文查看内部请求变化

　　sug请求频率固定且较高

4.研究sug请求发现每次输入的单词都会朝固定的一个网址发送post请求

　　并且请求体携带了改单词数据

import requests

keyword = input('请输入你需要查询的单词>>>:')
res = requests.post('https://fanyi.baidu.com/sug',
                    data={'kw': keyword}
                    )
data_dict = res.json()
data_list = data_dict.get('data')
for d in data_list:
    print(d)

爬取药品许可证

　　需求:爬取药品企业生产许可证详细信息

1.先明确是否需要爬取页面数据如果需要则先查看数据的加载方式

2.通过network查看得知数据是动态加载的网页地址只会加载一个外壳

3.通过network点击fetch/xhr筛选动态获取数据的地址和请求方式

4.利用requests模块发送相应请求获取数据之后再分析

5.利用浏览器点击详情页查找关键数据

　　http://scxk.nmpa.gov.cn:81/xk/itownet/portal/dzpz.jsp?id=911d4f256300476abb78012427d38c9d

6.由于我们需要爬取详情页的数据所以要验证数据的加载方式

7.详情页核心数据也是动态加载的发现是post请求并携带了一个id参数

　　id: 911d4f256300476abb78012427d38c9d

8.通过比对得知id数据与第一次爬取的公司简介里面的id一致从而得出结论

　　循环获取格式简介id 然后发送post请求获取每个公司的详细数据

import requests


res = requests.post('http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsList',
                    data={
                        "on": "true",
                        "page": 1,
                        "pageSize": 15,
                        "productName":'',
                        "conditionType": 1,
                        "applyname":'',
                        "applysn": ''
                    }
                    )
# data_dict = res.json()
# data_list = data_dict.get('list')
# 上述两步合成一步
data_list = res.json().get('list')

数据详情页地址:http://scxk.nmpa.gov.cn:81/xk/itownet/portal/dzpz.jsp?id=911d4f256300476abb78012427d38c9d
核心数据请求地址:http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsById
核心数据请求体参数:id:911d4f256300476abb78012427d38c9d

# 循环获取格式id值
for d in data_list:
    # 字段取值 获取id值
    ID = d.get("ID")
    # 发送网络请求
    res1 = requests.post('http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsById',
                         data={'id':ID}
                         )
    # 获取数据结果
    data_dict = res1.json()

（结合实际需求保存相应的数据文件操作数据库）

深入研究

　　1.多页数据如何获取(思路非常重要)

　　　　1.先点击页码查看url的变化

　　　　　　如果数据变化url不变那么数据肯定是动态加载的

　　　　　　如果数据变化url也变那么数据可能是直接加载也可能是动态

　　　　2.针对上述案例数据是动态加载所以需要研究每一次点击页码内部请求

　　　　3.研究请求体参数得知数据页由page控制

　　　　4.写一个for循环即可

　　2.数据存储如何实现

码农公寓