学习目的：
解决AJAX请求的爬虫，网页解析库的学习，MongoDB的简单应用
正式步骤
Step1：流程分析
- 抓取单页内容：利用requests请求目标站点，得到单个页面的html代码，返回结果；
- 抓取页面详情内容：解析返回结果，得到详情页的链接，并进一步抓取详情页的信息；
- 下载图片并保存数据库：将图片下载到本地，把页面信息及图片url保存至MongoDB；
- 开启循环及多线程：对多页面内容遍历，开启多线程并提高抓取效率。
Step2：实例分析
1. 打开今日头条搜索页，搜索“中超”，查看页面的请求方法为：GET
2. 创建一个Python文件：spider_ajax.py
3.网站url信息获取
4. 打印抓取的文章超链接和抓取的html内容
# -*- coding:utf-8 -*-
import json
from urllib.parse import urlencode
from requests.exceptions import RequestException import requests
def get_page_html(offset,keyword):
data = {
'offset':offset,
'format':'json',
'keyword':keyword,
'autoload':'true',
'count':'',
'cur_tab':1
}
# urlencode把字典对象自动转化为url参数，
# 快速导入，请选中以后，按alt+enter
url = 'https://www.toutiao.com/search_content/?' + urlencode(data)
try:
response = requests.get(url)
if response.status_code == 200:
return response.text
return None
except RequestException:
print('请求索引页失败')
return None def parse_page_index(html):
#因为html打印出来是json字符串格式，json.loads作用是将已编码的 JSON 字符串解码为 Python 对象
# json.dumps作用是将 Python 对象编码成 JSON 字符串
#参考http://www.runoob.com/python/python-json.html
data = json.loads(html)
if data and 'data' in data.keys():
for item in data.get('data'):
yield item.get('article_url') def main():
html = get_page_html(0,'中超')
#打印抓取的文章详细内容的url
for url in parse_page_index(html):
print(url)
#打印获取页面内容
print(html) if __name__ == '__main__':
main()
后面的内容因为爬虫被封，很多信息获取不到，暂时不会，以后再补全这节内容
学习总结：
想爬取商业的门户网站，感觉一脸懵逼