Python爬虫(8):分析Ajax请求爬取果壳网

本篇文章我们来研究一下怎么分析网页的Ajax请求。

我们在平时爬取网页的时候,可能都遇到过有些网页直接请求得到的 HTML 代码里面,并没有我们需要的数据,也就是我们在浏览器中看到的内容。

这就是因为这些信息是通过Ajax加载的,并且通过js渲染生成的。这个时候我们就需要分析这个网页的请求了。

什么是Ajax

AJAX即“Asynchronous Javascript And XML”(异步JavaScript和XML),是指一种创建交互式网页应用的网页开发技术。

AJAX = 异步 JavaScript和XML(标准通用标记语言的子集)。

AJAX 是一种用于创建快速动态网页的技术。

AJAX 是一种在无需重新加载整个网页的情况下,能够更新部分网页的技术。

简单的说就是网页加载,浏览器地址栏的网址并没有变,是javascript异步加载的网页,应该是ajaxAJAX一般是通过XMLHttpRequest 对象接口发送请求的,XMLHttpRequest 一般被缩写为 XHR

分析果壳网站点

我们目标网站就以果壳网来进行分析。地址

我们可以看到这个网页并没有翻页按钮,而当我们一直往下拉请求,网页会自动的给我们加载出更多内容。但是,当我们观察网页url时,发现它并没有随着网页的加载请求而变化。而当我们直接请求这个url时,显然我们只能获得到第一页的html内容。

image

那我们要怎么获得所有页的数据呢?

我们在Chrome中打开开发者工具(F12)。我们点击Network,点击XHR标签。然后我们刷新网页,往下拉请求。这个时候我们就可以看到XHR标签,在网页每一次加载的时候就会跳出一个请求。

我们点击第一个请求,可以看到他的参数:

retrieve_type:by_subject

limit:20

offset:18

-:1500265766286

在点击第二个请求,参数如下:

retrieve_type:by_subject

limit:20

offset:38

-:1500265766287

limit参数是网页每一页限制加载的文章数,offset就是页数了。接着往下看,我们会发现每一个请求的offset参数都会加 20。

我们接着看每一个请求的响应内容,这是一个就是格式的数据。我们点开result键,可以看到一个 20 篇文章的数据信息。这样我们就成功找到我们需要的信息位置了,我们可以在请求头中看到存放json数据的url地址。http://www.guokr.com/apis/minisite/article.json?retrieve_type=by_subject&limit=20&offset=18

image

爬取流程

  • 分析Ajax请求获得每一页的文章url信息;
  • 解析每一篇文章,获得需要数据;
  • 将获得的数据保存数据库;
  • 开启多进程,大量抓取。

开始

我们的工具仍然使用requests请求,BeautifulSoup解析。

首先我们要通过分析Ajax请求,获得所有页的信息,通过对上面对网页的分析,可以得到Ajax加载的json数据的URL地址为:http://www.guokr.com/apis/minisite/article.json?retrieve_type=by_subject&limit=20&offset=18

我们需要构造这个 URL。

# 导入可能要用到的模块
import requests
from urllib.parse import urlencode
from requests.exceptions import ConnectionError

# 获得索引页的信息
def get_index(offset):
    base_url = 'http://www.guokr.com/apis/minisite/article.json?'
    data = {
        'retrieve_type': "by_subject",
        'limit': "20",
        'offset': offset
    }
    params = urlencode(data)
    url = base_url + params

    try:
        resp = requests.get(url)
        if resp.status_code == 200:
            return resp.text
        return None
    except ConnectionError:
        print('Error.')
        return None

我们把上面分析页面得到的请求参数构造成一个字典data,然后我们可以手动的构造这个url,但是urllib库已经给我们提供了一个编码方法,我们直接使用,就可以构造出完整的url了。然后是标准的requests请求页面内容。

import json

# 解析json,获得文章url
def parse_json(text):
    try:
        result = json.loads(text)
        if result:
            for i in result.get('result'):
                # print(i.get('url'))
                yield i.get('url')
    except:
        pass

我们使用josn.loads方法解析json,将其转化成一个json对象。然后直接通过字典的操作,获得文章的url地址。这里使用yield,每次请求返回一个url,降低内存的消耗。由于我在后面抓取的时候出跳出一个json解析的错误,这里直接过滤就好。

这里我们可以试着打印看看,是不是成功运行。

既然获得了文章的url,那么对于获得文章的数据就显得很简单了。这里不在进行详细的叙述。我们的目标是获得文章的标题,作者和内容。 由于有的文章里面包含一些图片,我们直接过滤掉文章内容里的图片就好了。

from bs4 import BeautifulSoup

# 解析文章页
def parse_page(text):
    try:
        soup = BeautifulSoup(text, 'lxml')
        content = soup.find('div', class_="content")
        title = content.find('h1', id="articleTitle").get_text()
        author = content.find('div', class_="content-th-info").find('a').get_text()
        article_content = content.find('div', class_="document").find_all('p')
        all_p = [i.get_text() for i in article_content if not i.find('img') and not i.find('a')]
        article = '\n'.join(all_p)
        # print(title,'\n',author,'\n',article)
        data = {
            'title': title,
            'author': author,
            'article': article
        }
        return data
    except:
        pass

这里在进行多进程抓取的时候,BeautifulSoup也会出现一个错误,依然直接过滤。我们把得到的数据保存为字典的形式,方便保存数据库。

接下来就是保存数据库的操作了,这里我们使用Mongodb进行数据的存储。具体的方法在上一篇文章里有说过。不在对他进行详细叙述。

import pymongo
from config import *

client = pymongo.MongoClient(MONGO_URL, 27017)
db = client[MONGO_DB]

def save_database(data):
    if db[MONGO_TABLE].insert(data):
        print('Save to Database successful', data)
        return True
    return False

我们把数据库的名字,和表名保存到config配置文件中,在把配置信息导入文件,这样会方便代码的管理。

最后呢,由于果壳网数据还是比较多的,如果想要大量的抓取,我们可以使用多进程。

from multiprocessing import Pool

# 定义一个主函数
def main(offset):
    text = get_index(offset)
    all_url = parse_json(text)
    for url in all_url:
        resp = get_page(url)
        data = parse_page(resp)
        if data:
            save_database(data)

if __name__ == '__main__':
    pool = Pool()
    offsets = ([0] + [i*20+18 for i in range(500)])
    pool.map(main, offsets)
    pool.close()
    pool.join()

函数的参数offset就是页数了。经过我的观察,果壳网最后一页页码是 12758,有 637 页。这里我们就抓取 500 页。进程池的map方法和Python内置的map方法使用类似。

image

好了,对于一些使用Ajax加载的网页,我们就可以这么抓取了。

项目地址

here

如果觉得有帮助,不妨star

谢谢阅读

本文作者:俞坤

本文链接:http://www.yukunweb.com/2017/7/python-spider-Ajax-guoke

版权声明:本博客所有文章除特别声明外,均采用CC BY-NC-SA 3.0许可协议。转载请注明出处!

Python爬虫(9):Cookie介绍和模拟登录
4 条评论
  1. author
    2018-09-05
    violet

    请问楼主,最后一张图,用的是什么工具,THX

  2. author
    2018-01-15
    crawl knight

    很好的一个思路,很清晰。现在拉勾也采用了ajax加载了,用这个思路应该也能做。只是楼主我想问下,关于提取数据那里,为什么不用json的层级结构这个方便的特点去提取呢?

    • 2018-01-15

      俞坤回复 crawl knight:

      好久之前写的了,可能现在人家网站更新了,我也不清楚。提取数据那里我的确是直接在json的层级关系中提取的文章url。后面就是简单的Beautifulsoup抓取对应url的操作了。

已登录,注销 取消