AJAX動(dòng)態(tài)加載網(wǎng)頁

一

什么是動(dòng)態(tài)網(wǎng)頁

J哥一向注重理論與實(shí)踐相結(jié)合，知其然也要知其所以然，才能以不變應(yīng)萬變。

所謂的動(dòng)態(tài)網(wǎng)頁，是指跟靜態(tài)網(wǎng)頁相對的一種網(wǎng)頁編程技術(shù)。靜態(tài)網(wǎng)頁，隨著html代碼的生成，頁面的內(nèi)容和顯示效果就基本上不會(huì)發(fā)生變化了——除非你修改頁面代碼。而動(dòng)態(tài)網(wǎng)頁則不然，頁面代碼雖然沒有變，但是顯示的內(nèi)容卻是可以隨著時(shí)間、環(huán)境或者數(shù)據(jù)庫操作的結(jié)果而發(fā)生改變的。——來源百度百科

動(dòng)態(tài)網(wǎng)頁具有減少工作量、內(nèi)容更新快、可完成功能多等特點(diǎn)，被很多公司所采用，比如狗東、某寶、某瓣、某乎等等。

二

什么是AJAX

隨著人們對動(dòng)態(tài)網(wǎng)頁加載速度的要求越來越高，AJAX技術(shù)應(yīng)運(yùn)而生并成為許多站點(diǎn)的首選。AJAX是一種用于創(chuàng)建快速動(dòng)態(tài)網(wǎng)頁的技術(shù)，通過在后臺(tái)與服務(wù)器進(jìn)行少量數(shù)據(jù)交換，使網(wǎng)頁實(shí)現(xiàn)異步更新。這意味著在不重新加載整個(gè)網(wǎng)頁的情況下，可以對網(wǎng)頁的某部分進(jìn)行更新。

三

如何爬取AJAX動(dòng)態(tài)加載網(wǎng)頁

1. 解析接口

只要是有數(shù)據(jù)發(fā)送過來，那肯定是有發(fā)送到服務(wù)器的請求的吧。我們只需找出它悄悄加載出的頁面的真實(shí)請求即可。特點(diǎn)：爬取速度快，爬取的數(shù)據(jù)干凈，有些網(wǎng)站解析難度較大。

2. Selenium

selenium是什么呢？它本來是個(gè)自動(dòng)化測試工具，但是被廣泛的用戶拿去爬蟲了。它是一個(gè)工具，這個(gè)工具可以用代碼操作瀏覽器，比如控制瀏覽器的下滑、模擬鼠標(biāo)點(diǎn)擊等。特點(diǎn)：代碼較簡單，爬取速度慢，容易被封ip。

項(xiàng)目實(shí)操

怎么說了那么多理論，說實(shí)話J哥也不想那么啰嗦。可是吧，這些東西經(jīng)常會(huì)被問到，干脆直接寫下來，下次還有人問就直接把這篇文章發(fā)給他，一勞永逸！

OK，咱們繼續(xù)回到王律師的part。王律師作為一名資深律師，深知研究法院歷年公示的開庭信息、執(zhí)行信息等對于提升業(yè)務(wù)能力具有重要作用。于是，他興高采烈地打開了一個(gè)法院信息公示網(wǎng)頁。

長這樣：

然后，他根據(jù)J哥之前寫的爬蟲入門文章去爬數(shù)據(jù)，成功提取了第一頁，內(nèi)心無比之激動(dòng)。

緊接著，他加了個(gè)for循環(huán)，想著花個(gè)幾分鐘時(shí)間把此網(wǎng)站2164頁共計(jì)32457條開庭公告數(shù)據(jù)提取到excel里。

然后，也就沒有然后了。各位看了前面的理論部分應(yīng)該也知道了，他這是 AJAX動(dòng)態(tài)加載的網(wǎng)頁。無論你怎么點(diǎn)擊下一頁，url是不會(huì)變化的。你不信我點(diǎn)給你看看，左上角的url像山一樣矗立在那：

一

解析接口

既然如此，那我們就開啟爬蟲的正確姿勢吧，先用解析接口的方法來寫爬蟲。

首先，找到真實(shí)請求。右鍵檢查，點(diǎn)擊Network，選中XHR，刷新網(wǎng)頁，選擇Name列表中的jsp文件。沒錯(cuò)，就這么簡單，真實(shí)請求就藏在里面。

我們再仔細(xì)看看這個(gè)jsp，這簡直是個(gè)寶啊。有真實(shí)請求url，有請求方法post，有Headers，還有Form Data，而From Data表示給url傳遞的參數(shù)，通過改變參數(shù)，咱們就可以獲得數(shù)據(jù)！為了安全，我把自個(gè)Cookie打了個(gè)馬賽克，機(jī)智的朋友也許發(fā)現(xiàn)了我順帶給自個(gè)打了個(gè)廣告。

我們再仔細(xì)看看這些參數(shù)，pagesnum參數(shù)不就是代表頁數(shù)嘛！王律師頓悟，原來他心心念念的翻頁在這里！跨過千山萬水終于找到你！我們嘗試點(diǎn)擊翻頁，發(fā)現(xiàn)只有pagesnum參數(shù)會(huì)變化。

既然發(fā)現(xiàn)了它，那就趕緊抓住它。J哥以迅雷不及掩耳勢打開PyCharm，導(dǎo)入了爬蟲所需的庫。

1from?urllib.parse?import?urlencode2import?csv3import?random4import?requests5import?traceback6from?time?import?sleep7from?lxml?import?etree????#lxml為第三方網(wǎng)頁解析庫，強(qiáng)大且速度快

構(gòu)造真實(shí)請求，添加Headers。這里J哥沒有貼自己的User-Agent和Cookie，主要是一向膽小甚微的J哥害怕啊。

1base_url?=?'http://www.hshfy.sh.cn/shfy/gweb2017/ktgg_search_content.jsp?'??#這里要換成對應(yīng)Ajax請求中的鏈接 2 3headers?=?{ 4????'Connection':?'keep-alive', 5????'Accept':?'*/*', 6????'X-Requested-With':?'XMLHttpRequest', 7????'User-Agent':?'你的User-Agent', 8????'Origin':?'http://www.hshfy.sh.cn', 9????'Referer':?'http://www.hshfy.sh.cn/shfy/gweb2017/ktgg_search.jsp?zd=splc',10????'Accept-Language':?'zh-CN,zh;q=0.9',11????'Content-Type':?'application/x-www-form-urlencoded',12????'Cookie':?'你的Cookie'13}

構(gòu)建get_page函數(shù)，自變量為page，也就是頁數(shù)。以字典類型創(chuàng)建表單data，用post方式去請求網(wǎng)頁數(shù)據(jù)。這里要注意要對返回的數(shù)據(jù)解碼，編碼為'gbk'，否則返回的數(shù)據(jù)會(huì)亂碼！另外我還加了異常處理優(yōu)化了下，以防意外發(fā)生。

1def?get_page(page): 2????n?=?3 3????while?True: 4????????try: 5????????????sleep(random.uniform(1,?2))??#?隨機(jī)出現(xiàn)1-2之間的數(shù)，包含小數(shù) 6????????????data?=?{ 7????????????????'yzm':?'yxAH', 8????????????????'ft':'', 9????????????????'ktrqks':?'2020-05-22',10????????????????'ktrqjs':?'2020-06-22',11????????????????'spc':'',12????????????????'yg':'',13????????????????'bg':'',14????????????????'ah':'',15????????????????'pagesnum':?page16????????????}17????????????url?=?base_url?+?urlencode(data)18????????????print(url)19????????????try:20????????????????response?=?requests.request("POST",url,?headers?=?headers)21????????????????#print(response)22????????????????if?response.status_code?==?200:23????????????????????re?=?response.content.decode('gbk')24????????????????????#?print(re)25????????????????????return?re??#?解析內(nèi)容26????????????except?requests.ConnectionError?as?e:27????????????????print('Error',?e.args)??#?輸出異常信息28????????except?(TimeoutError,?Exception):29????????????n?-=?130????????????if?n?==?0:31????????????????print('請求3次均失敗，放棄此url請求,檢查請求條件')32????????????????return33????????????else:34????????????????print('請求失敗，重新請求')35????????????????continue

構(gòu)建parse_page函數(shù)，對返回的網(wǎng)頁數(shù)據(jù)進(jìn)行解析，用Xpath提取所有字段內(nèi)容，保存為csv格式。有人會(huì)問為啥J哥這么喜歡用Xpath，因?yàn)楹唵魏糜冒?#xff01;！！這么簡單的網(wǎng)頁結(jié)構(gòu)搞個(gè)正則大法裝x，J哥我做不到啊。

1def?parse_page(html): 2????try: 3????????parse?=?etree.HTML(html)??#?解析網(wǎng)頁 4????????items?=?parse.xpath('//*[@id="report"]/tbody/tr') 5????????for?item?in?items[1:]: 6????????????item?=?{ 7????????????????'a':?''.join(item.xpath('./td[1]/font/text()')).strip(), 8????????????????'b':?''.join(item.xpath('./td[2]/font/text()')).strip(), 9????????????????'c':?''.join(item.xpath('./td[3]/text()')).strip(),10????????????????'d':?''.join(item.xpath('./td[4]/text()')).strip(),11????????????????'e':?''.join(item.xpath('./td[5]/text()')).strip(),12????????????????'f':?''.join(item.xpath('./td[6]/div/text()')).strip(),13????????????????'g':?''.join(item.xpath('./td[7]/div/text()')).strip(),14????????????????'h':?''.join(item.xpath('./td[8]/text()')).strip(),15????????????????'i':?''.join(item.xpath('./td[9]/text()')).strip()16????????????}17????????????#print(item)18????????????try:19????????????????with?open('./law.csv',?'a',?encoding='utf_8_sig',?newline='')?as?fp:20????????????????????#?'a'為追加模式(添加)21????????????????????#?utf_8_sig格式導(dǎo)出csv不亂碼22????????????????????fieldnames?=?['a',?'b',?'c',?'d',?'e','f','g','h','i']23????????????????????writer?=?csv.DictWriter(fp,fieldnames)24????????????????????writer.writerow(item)25????????????except?Exception:26????????????????print(traceback.print_exc())??#代替print?e?來輸出詳細(xì)的異常信息27????except?Exception:28????????print(traceback.print_exc())

最后，遍歷一下頁數(shù)，調(diào)用一下函數(shù)。OK，搞定！

1????for?page?in?range(1,5):??#這里設(shè)置想要爬取的頁數(shù)2????????html?=?get_page(page)3????????#print(html)4????????print("第"?+?str(page)?+?"頁提取完成")

我們來看一下最終效果：

二

Selenium

好學(xué)的朋友可能還想看看Selenium是如何來爬AJAX動(dòng)態(tài)加載網(wǎng)頁的，J哥自然會(huì)滿足你的好奇心。于是趕緊新建了一個(gè)py文件，準(zhǔn)備趁勢追擊，用Selenium把這網(wǎng)站爬下來。

首先，把相關(guān)庫導(dǎo)進(jìn)來。

1from?lxml?import?etree2import?time3from?selenium?import?webdriver4from?selenium.?webdriver.support.wait?import?WebDriverWait5from?selenium.webdriver.support?import?expected_conditions?as?EC6from?selenium.webdriver.common.by?import?By

然后，用chromedriver驅(qū)動(dòng)打開這個(gè)網(wǎng)站。

1def?main():2????#?爬取首頁url3????url?=?"http://www.hshfy.sh.cn/shfy/gweb2017/flws_list.jsp?ajlb=aYWpsYj3D8crCz"4????#?定義谷歌webdriver5????driver?=?webdriver.Chrome('./chromedriver')6????driver.maximize_window()??#?將瀏覽器最大化7????driver.get(url)

于是，驚喜的發(fā)現(xiàn)，報(bào)錯(cuò)了。J哥憑借著六級(jí)英語的詞匯儲(chǔ)量，居然看懂了！大概意思是我的驅(qū)動(dòng)和瀏覽器的版本不匹配，只支持79版本的瀏覽器。

J哥很郁悶，因?yàn)槲乙郧芭老x用Selenium沒出現(xiàn)過這種問題啊。J哥不甘心，于是打開了谷歌瀏覽器看了下版本號(hào)。

我丟！都更新到81版本啦！既然這樣，那就請好奇的小伙伴等J哥設(shè)置好瀏覽器自動(dòng)更新、重新下載最新驅(qū)動(dòng)后，下次再來聽窩講Selenium爬蟲吧，記得關(guān)注此公眾號(hào)，精彩不錯(cuò)過哦~

結(jié) 語

總結(jié)一下，對于AJAX動(dòng)態(tài)加載網(wǎng)頁爬蟲，一般就兩種方式：解析接口；Selenium。J哥推薦解析接口的方式，如果解析的是json數(shù)據(jù)，就更好爬了。實(shí)在沒轍了再用Selenium吧。

后臺(tái)私信小編01獲取完整項(xiàng)目代碼`1

總結(jié)

以上是生活随笔為你收集整理的python实现监控电脑打开网页_Python轻松实现动态网页爬虫(附详细源码)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。