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，页面动作抓取网络数据包2、抓取json文件URL地址# 控制台中 XHR ：异步加载的数据包# XHR -> QueryStringParameters(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: 电影名称、电影评分
F12抓包（XHR）
1、Request URL(基准URL地址) ：/j/chart/top_list?2、Query String(查询参数)# 抓取的查询参数如下：type: 13interval_id: 100:90action: ''start: 0limit: 用户输入的电影数量
json模块的使用
1、json.loads(json格式的字符串)：把json格式的字符串转为python数据类型# 示例html = json.loads(res.text)print(type(html))
代码实现
import requestsimport jsonclass DoubanSpider(object):def __init__(self):self.url = '/j/chart/top_list?'self.headers = {'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'}# 获取页面def get_page(self,params):res = requests.get(url=self.url,params=params,headers=self.headers,verify=True)res.encoding = 'utf-8'# json.loads() josn格式->Python格式html = res.json()self.parse_page(html)# 解析并保存数据def parse_page(self,html):# html为大列表 [{电影1信息},{},{}]for h in html:# 名称name = h['title'].strip()# 评分score = float(h['score'].strip())# 打印测试print([name,score])# 主函数def main(self):limit = input('请输入电影数量:')params = {'type' : '24','interval_id' : '100:90','action' : '','start' : '0','limit' : limit}# 调用函数,传递params参数self.get_page(params)if __name__ == '__main__':spider = DoubanSpider()spider.main()
腾讯招聘案例
URL地址及目标
确定URL地址及目标
1、URL: 百度搜索腾讯招聘 - 查看工作岗位2、目标: 职位名称、工作职责、岗位要求
F12抓包
一级页面json地址(index变,timestamp未检查)
/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)
/tencentcareer/api/post/ByPostId?timestamp=1563912374645&postId={}&language=zh-cn
具体代码实现
import requestsimport jsonimport timeimport randomclass TencentSpider(object):def __init__(self):self.headers = {'User-Agent':'Mozilla/5.0'}self.one_url = '/tencentcareer/api/post/Query?timestamp=1563912271089&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=10&language=zh-cn&area=cn'def get_page(self,url):res = requests.get(url,headers=self.headers)res.encoding = 'utf-8'# json.loads()把json格式的字符串转为python数据类型html = json.loads(res.text)return htmldef parse_one_page(self,html):job_info = {}for job in html['Data']['Posts']:job_info['job_name'] = job['RecruitPostName']job_info['job_address'] = job['LocationName']# 拿postid为了拼接二级页面地址post_id = job['PostId']# 职责和要求(二级页面)# 得到二级页面链接two_url = '/tencentcareer/api/post/ByPostId?timestamp=1563912374645&postId={}&language=zh-cn'.format(post_id)# 发请求解析job_info['job_duty'],job_info['job_requirement'] = self.parse_two_page(two_url)print(job_info)def parse_two_page(self,two_url):html = self.get_page(two_url)# 职责job_duty = html['Data']['Responsibility']# 要求job_requirement = html['Data']['Requirement']return job_duty,job_requirementdef main(self):for index in range(1,11):url = self.one_url.format(index)one_html = self.get_page(url)self.parse_one_page(one_html)time.sleep(random.uniform(0.5,1.5))if __name__ == '__main__':spider = TencentSpider()spider.main()
附git地址：/RyanLove1/spider_code
补充：
控制台抓包
打开方式及常用选项1、打开浏览器，F12打开控制台，找到Network选项卡2、控制台常用选项1、Network: 抓取网络数据包1、ALL: 抓取所有的网络数据包2、XHR：抓取异步加载的网络数据包3、JS : 抓取所有的JS文件2、Sources: 格式化输出并打断点调试JavaScript代码，助于分析爬虫中一些参数3、Console: 交互模式，可对JavaScript中的代码进行测试3、抓取具体网络数据包后1、单击左侧网络数据包地址，进入数据包详情，查看右侧2、右侧:1、Headers: 整个请求信息General、Response Headers、Request Headers、Query String、Form Data2、Preview: 对响应内容进行预览3、Response：响应内容
python中正则处理headers和formdata
1、pycharm进入方法 ：Ctrl + r ，选中 Regex2、处理headers和formdata(.*): (.*)"$1": "$2",3、点击 Replace All
