爬虫——爬取Ajax动态加载网页

2022-08-20 08:21:12

常见的反爬机制及处理方式

1、Headers反爬虫 ：Cookie、Referer、User-Agent

解决方案: 通过F12获取headers,传给requests.get()方法

2、IP限制 ：网站根据IP地址访问频率进行反爬,短时间内进制IP访问

解决方案:

1、构造自己IP代理池,每次访问随机选择代理,经常更新代理池

2、购买开放代理或私密代理IP

3、降低爬取的速度

3、User-Agent限制 ：类似于IP限制

解决方案: 构造自己的User-Agent池,每次访问随机选择

5、对查询参数或Form表单数据认证(salt、sign)

解决方案: 找到JS文件,分析JS处理方法,用Python按同样方式处理

6、对响应内容做处理

解决方案: 打印并查看响应内容,用xpath或正则做处理

python中正则处理headers和formdata

1、pycharm进入方法 ：Ctrl + r ，选中 Regex

2、处理headers和formdata

(.*): (.*)

"\$1": "\$2",

3、点击 Replace All

民政部网站数据抓取

目标: 抓取最新*县以上行政区划代码

URL: http://www.mca.gov.cn/article/sj/xzqh/2019/ - 民政数据 - 行政区划代码

实现步骤

1、从民政数据网站中提取最新行政区划代码链接

　　最新的在上面，命名格式: 2019年X月*县以上行政区划代码

import requests

from lxml import etree

import re

​

url = 'http://www.mca.gov.cn/article/sj/xzqh/2019/'

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36'}

html = requests.get(url, headers=headers).text

parse_html = etree.HTML(html)

article_list = parse_html.xpath('//a[@class="artitlelist"]')

​

for article in article_list:

    title = article.xpath('./@title')[0]

    # 正则匹配title中包含这个字符串的链接

    if title.endswith('代码'):

        # 获取到第1个就停止即可，第1个永远是最新的链接

        two_link = 'http://www.mca.gov.cn' + article.xpath('./@href')[0]

        print(two_link)

        break

2、从二级页面链接中提取真实链接（反爬-响应网页内容中嵌入JS，指向新的网页链接）

  1. 向二级页面链接发请求得到响应内容，并查看嵌入的JS代码
  2. 正则提取真实的二级页面链接
# 爬取二级“假”链接
two_html = requests.get(two_link, headers=headers).text

# 从二级页面的响应中提取真实的链接（此处为JS动态加载跳转的地址）

new_two_link = re.findall(r'window.location.href="(.*?)"', two_html, re.S)[0]

3、在数据库表中查询此条链接是否已经爬取，建立增量爬虫

  1. 数据库中建立version表，存储爬取的链接
  2. 每次执行程序和version表中记录核对，查看是否已经爬取过
cursor.execute('select * from version')

result = self.cursor.fetchall()

if result:

   if result[-1][0] == two_link:

       print('已是最新')

   else:

       # 有更新，开始抓取

       # 将链接再重新插入version表记录

4、代码实现

import requests

from lxml import etree

import re

import pymysql

class GovementSpider(object):

    def __init__(self):

        self.url = 'http://www.mca.gov.cn/article/sj/xzqh/2019/'

        self.headers = {'User-Agent': 'Mozilla/5.0'}

        # 创建2个对象

        self.db = pymysql.connect('127.0.0.1', 'root', '', 'govdb', charset='utf8')

        self.cursor = self.db.cursor()

    # 获取假链接

    def get_false_link(self):

        html = requests.get(url=self.url, headers=self.headers).text

        # 此处隐藏了真实的二级页面的url链接，真实的在假的响应网页中，通过js脚本生成，

        # 假的链接在网页中可以访问，但是爬取到的内容却不是我们想要的

        parse_html = etree.HTML(html)

        a_list = parse_html.xpath('//a[@class="artitlelist"]')

        for a in a_list:

            # get()方法:获取某个属性的值

            title = a.get('title')

            if title.endswith('代码'):

                # 获取到第1个就停止即可，第1个永远是最新的链接

                false_link = 'http://www.mca.gov.cn' + a.get('href')

                print("二级“假”链接的网址为", false_link)

                break

        # 提取真链接

        self.incr_spider(false_link)

    # 增量爬取函数

    def incr_spider(self, false_link):

        self.cursor.execute('select url from version where url=%s', [false_link])

        # fetchall: (('http://xxxx.html',),)

        result = self.cursor.fetchall()

        # not result:代表数据库version表中无数据

        if not result:

            self.get_true_link(false_link)

            # 可选操作: 数据库version表中只保留最新1条数据

            self.cursor.execute("delete from version")

            # 把爬取后的url插入到version表中

            self.cursor.execute('insert into version values(%s)', [false_link])

            self.db.commit()

        else:

            print('数据已是最新,无须爬取')

    # 获取真链接

    def get_true_link(self, false_link):

        # 先获取假链接的响应,然后根据响应获取真链接

        html = requests.get(url=false_link, headers=self.headers).text

        # 从二级页面的响应中提取真实的链接（此处为JS动态加载跳转的地址）

        re_bds = r'window.location.href="(.*?)"'

        pattern = re.compile(re_bds, re.S)

        true_link = pattern.findall(html)[0]

        self.save_data(true_link)  # 提取真链接的数据

    # 用xpath直接提取数据

    def save_data(self, true_link):

        html = requests.get(url=true_link, headers=self.headers).text

        # 基准xpath,提取每个信息的节点列表对象

        parse_html = etree.HTML(html)

        tr_list = parse_html.xpath('//tr[@height="19"]')

        for tr in tr_list:

            code = tr.xpath('./td[2]/text()')[0].strip()  # 行政区划代码

            name = tr.xpath('./td[3]/text()')[0].strip()  # 单位名称

            print(name, code)

    # 主函数

    def main(self):

        self.get_false_link()

if __name__ == '__main__':

    spider = GovementSpider()

    spider.main()

动态加载数据抓取-Ajax

特点

  1. 右键 -> 查看网页源码中没有具体数据
  2. 滚动鼠标滑轮或其他动作时加载

抓取

  1. F12打开控制台，选择XHR异步加载数据包，找到页面动作抓取网络数据包
  2. 通过XHR-->Header-->General-->Request URL，获取json文件URL地址
  3. 通过XHR-->Header-->Query String Parameters(查询参数)

豆瓣电影数据抓取案例

目标

  1. 地址: 豆瓣电影 - 排行榜 - 剧情
  2. 目标: 爬取电影名称、电影评分

F12抓包（XHR）

1、Request URL(基准URL地址) ：https://movie.douban.com/j/chart/top_list?

2、Query String Paramaters(查询参数)

# 查询参数如下：

type: 13 # 电影类型

interval_id: 100:90

action: '[{},{},{}]'

start: 0  # 每次加载电影的起始索引值

limit: 20 # 每次加载的电影数量

json文件在以下地址：

基准URL地址+查询参数

'https://movie.douban.com/j/chart/top_list?'+'type=11&interval_id=100%3A90&action=&start=20&limit=20'

代码实现

import requests

import time

from fake_useragent import UserAgent

class DoubanSpider(object):

    def __init__(self):

        self.base_url = 'https://movie.douban.com/j/chart/top_list?'

        self.i = 0

    def get_html(self, params):

        headers = {'User-Agent': UserAgent().random}

        res = requests.get(url=self.base_url, params=params, headers=headers)

        res.encoding = 'utf-8'

        html = res.json()  # 将json格式的字符串转为python数据类型

        self.parse_html(html)  # 直接调用解析函数

    def parse_html(self, html):

        # html: [{电影1信息},{电影2信息},{}]

        item = {}

        for one in html:

            item['name'] = one['title']  # 电影名

            item['score'] = one['score']  # 评分

            item['time'] = one['release_date']  # 打印测试

            # 打印显示

            print(item)

            self.i += 1

    # 获取电影总数

    def get_total(self, typ):

        # 异步动态加载的数据 都可以在XHR数据抓包

        url = 'https://movie.douban.com/j/chart/top_list_count?type={}&interval_id=100%3A90'.format(typ)

        ua = UserAgent()

        html = requests.get(url=url, headers={'User-Agent': ua.random}).json()

        total = html['total']

        return total

    def main(self):

        typ = input('请输入电影类型(剧情|喜剧|动作):')

        typ_dict = {'剧情': '', '喜剧': '', '动作': ''}

        typ = typ_dict[typ]

        total = self.get_total(typ)  # 获取该类型电影总数量

        for page in range(0, int(total), 20):

            params = {

                'type': typ,

                'interval_id': '100:90',

                'action': '',

                'start': str(page),

                'limit': ''}

            self.get_html(params)

            time.sleep(1)

        print('爬取的电影的数量:', self.i)

if __name__ == '__main__':

    spider = DoubanSpider()

    spider.main()

腾讯招聘数据抓取(Ajax)

确定URL地址及目标

要求与分析

  1. 通过查看网页源码，得知所需数据均为 Ajax 动态加载
  2. 通过F12抓取网络数据包，进行分析
  3. 一级页面抓取数据: 职位名称
  4. 二级页面抓取数据: 工作职责、岗位要求

一级页面json地址(pageIndex在变,timestamp未检查)

https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1563912271089&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=10&language=zh-cn&area=cn

二级页面地址(postId在变,在一级页面中可拿到)

https://careers.tencent.com/tencentcareer/api/post/ByPostId?timestamp=1563912374645&postId={}&language=zh-cn

useragents.py文件

ua_list = [

  'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',

  'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',

  'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)',

]
import time

import json

import random

import requests

from useragents import ua_list

class TencentSpider(object):

    def __init__(self):

        self.one_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1563912271089&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=10&language=zh-cn&area=cn'

        self.two_url = 'https://careers.tencent.com/tencentcareer/api/post/ByPostId?timestamp=1563912374645&postId={}&language=zh-cn'

        self.f = open('tencent.json', 'a')  # 打开文件

        self.item_list = []  # 存放抓取的item字典数据

    # 获取响应内容函数

    def get_page(self, url):

        headers = {'User-Agent': random.choice(ua_list)}

        html = requests.get(url=url, headers=headers).text

        html = json.loads(html)  # json格式字符串转为Python数据类型

        return html

    # 主线函数: 获取所有数据

    def parse_page(self, one_url):

        html = self.get_page(one_url)

        item = {}

        for job in html['Data']['Posts']:

            item['name'] = job['RecruitPostName']  # 名称

            post_id = job['PostId']  # postId，拿postid为了拼接二级页面地址

            # 拼接二级地址,获取职责和要求

            two_url = self.two_url.format(post_id)

            item['duty'], item['require'] = self.parse_two_page(two_url)

            print(item)

            self.item_list.append(item)  # 添加到大列表中

    # 解析二级页面函数

    def parse_two_page(self, two_url):

        html = self.get_page(two_url)

        duty = html['Data']['Responsibility']  # 工作责任

        duty = duty.replace('\r\n', '').replace('\n', '')  # 去掉换行

        require = html['Data']['Requirement']  # 工作要求

        require = require.replace('\r\n', '').replace('\n', '')  # 去掉换行

        return duty, require

    # 获取总页数

    def get_numbers(self):

        url = self.one_url.format(1)

        html = self.get_page(url)

        numbers = int(html['Data']['Count']) // 10 + 1  # 每页有10个推荐

        return numbers

    def main(self):

        number = self.get_numbers()

        for page in range(1, 3):

            one_url = self.one_url.format(page)

            self.parse_page(one_url)

        # 保存到本地json文件:json.dump

        json.dump(self.item_list, self.f, ensure_ascii=False)

        self.f.close()

if __name__ == '__main__':

    start = time.time()

    spider = TencentSpider()

    spider.main()

    end = time.time()

    print('执行时间:%.2f' % (end - start))
上一篇：你知道的display的值有多少？用了多少？


下一篇：错误Fatal error: Call to undefined function mb_strlen()的解决办法