Python技能树共建动态渲染页面爬取

Posted 2022-05-12 梦想橡皮擦

Python 动态渲染页面爬取

动态渲染页面爬取最常见的就是面向接口的爬虫，在采集过程中需要首先分析出其接口地址，本文将带来 2 个基于接口的爬虫。

怎么用

目标站点【一派话题广场】分析

本篇博客的第一个采集目标站点是：https://Base64加密站点/matrix/pods，少数派网站的一个子级栏目。

目标站点采用 base64加密 c3NwYWkuY29t

目标数据所在界面如下图所示：

通过开发者工具，不断下拉加载页面，得到的接口请求规则如下：

https://Base64加密站点/api/v1/bullet/search/page/get?type=0&limit=10&offset=0&created_at=0
https://Base64加密站点/api/v1/bullet/search/page/get?type=0&limit=10&offset=10&created_at=0
https://Base64加密站点/api/v1/bullet/search/page/get?type=0&limit=10&offset=20&created_at=0
https://Base64加密站点/api/v1/bullet/search/page/get?type=0&limit=10&offset=30&created_at=0

其中参数除 offset 变化外，其余无变化，其中 limit 参数应该为每个数据量，基于此逻辑，请求接口可以通过代码进行批量生成，实测过程发现数据量也不大，只有 6 页。

下述代码采用了后进先出队列 LifoQueue，没有特殊原因，单纯给大家展示一下用法。

# 初始化一个队列
q = LifoQueue(maxsize=0)
# 批量生成请求地址链接
for page in range(1, 7):
    # https://sspai.com/api/v1/bullet/search/page/get?type=0&limit=10&offset=0&created_at=0
    q.put('https://Base64加密站点/api/v1/bullet/search/page/get?type=0&limit=10&offset=&created_at=0'.format((page-1)*10))

请求地址批量生成完毕之后，可以开始获取接口返回的数据了，具体代码如下，核心关注 main 部分内容。

# 请求头函数，可以参考之前的系列文章
def get_headers():
    uas = [
        "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)",
        "Mozilla/5.0 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)"
    ]
    ua = random.choice(uas)
    headers = 
        "user-agent": ua
    
    return headers


# 储存数据
def save(text):
	# 文件名使用时间戳命名
    with open(f'time.time().json', 'a+', encoding='utf-8') as f:
        f.write(text)
    print(text, "--- 保存成功")


if __name__ == "__main__":
	# 判断队列是否为空，空则停止循环
    while q.qsize() > 0:
    	# 获取一个 URL
        url = q.get()
        # 通知任务已经完成
        q.task_done()
        # 获取相应数据
        res = requests.get(url=url, headers=get_headers(), timeout=10)
        # 调用保存函数
        save(res.text)

    q.join()
    print("所有任务都已完成")

因为上述案例实在太简单，连多线程都不用，所以我基于【话题广场】关键字，查询是否还有其它可用于 学习目的 相关站点，结果还真被我发现一个。

话题广场 - 集思录

集思录，一个以数据为本的投资社区，https://Python脱敏处理/topic/。

目标站点使用 base64 编码：d3d3Lmppc2lsdS5jbg==

每一个话题下面，都有很多问题，完美符合生产者消费者模型。

编码逻辑分析

本案例中生产函数用于产生列表页，消费函数用于抓取内页 标题，作者 ，链接。

由于在列表页之前，还存在一个层级-【热门话题】，所以需要提前准备好待抓取队列。

# 热门话题列表页待抓取链接
hot_subjects = Queue(maxsize=0)
for i in range(1, 11):
    url = f'https://Python脱敏处理/topic/square/id-hot__feature_id-__page-i'
    hot_subjects.put(url)

接下来生产函数用于产生列表页数据，到提前初始化好的 q_data_ids 队列中，其中 get_headers 函数，参考前文即可。

def get_headers():
    uas = [
        "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)",
        "Mozilla/5.0 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)"
    ]
    ua = random.choice(uas)
    headers = 
        "user-agent": ua
    
    return headers

# 初始化一个队列
q_data_ids = Queue(maxsize=0)

# 生产函数，用于产生话题列表页 URL
def producer():
    while hot_subjects.qsize() > 0:
    	# 取得一个分类页请求地址
        list_url = hot_subjects.get()
        hot_subjects.task_done()

        print("正在解析：", list_url)
        # 获取话题列表页相应数据
        res = requests.get(list_url, headers=get_headers(), timeout=3)
        # 解析，获取话题详情页进入的关键参数 `data-id`，代码后有对于该关键字的说明
        element = etree.HTML(res.text)
        data_ids = element.xpath('//a[@class="aw-topic-name"]/@data-id')
        for data_id in data_ids:
            q_data_ids.put(data_id)

上述代码最重要的是捕获 data-id，即热门话题的 ID 队列，该 ID 值会用在消费者函数中，用于请求详情页数据。

接下来就是消费者函数的实现，该逻辑主要用于抓取下图所示数据。

以上数据在测试过程中发现如下接口格式，其中 data_id 在生产者中产生，start_page 由循环迭代生成。

https://Python脱敏处理/question/ajax/discuss/sort_type-new__topic_id-data_id__page-start_page

上述地址即为最后目标数据所在地址，我们需要拼凑出标准地址，然后再对 start_page 页码，进行迭代，遍历获取全部数据。

学习时请注意下述代码注释，技术层级难度不大，重点为实现逻辑。

# 消费者函数
def consumer():
	# 死循环读取 data_id 值，用于拼凑话题详情页数据
    while True:
        # 取一个分类ID
        data_id = q_data_ids.get()
        q_data_ids.task_done()
        if data_id is None:
            break
		# start_page  初始值设置为 1，即从第一个开始读取数据
        start_page = 1
        # URL 拼接
        url = f'https://Python脱敏处理/question/ajax/discuss/sort_type-new__topic_id-data_id__page-start_page'
        res = requests.get(url=url, headers=get_headers(), timeout=5)
        text = res.text
        # 通过判断 text 是否为空，确定是否继续解析数据
        while len(text) > 0:

            url = f'https://Python脱敏处理/question/ajax/discuss/sort_type-new__topic_id-data_id__page-start_page'
            res = requests.get(url=url, headers=get_headers(), timeout=5)
            # print(res.url)
            text = res.text

            start_page += 1
            # 如果 text 不为空，则解析数据，并存储数据
            if len(text)>0:
                element = etree.HTML(res.text)
                titles = element.xpath('//h4/a/text()')
                urls = element.xpath('//h4/a/@href')
                names = element.xpath('//a[@class="aw-user-name"]/text()')
                data = zip(titles,names,urls)
                save_list = [f"item[0],item[1],item[2]\\n" for item in data]
                long_str = "".join(save_list)
                with open("./data.csv","a+",encoding="utf-8") as f:
                    f.write(long_str)

该程序实现的步骤与逻辑相对会绕一些，故通过下图你可以再复盘进行理解，按照步骤 1,2,3 进行学习。

函数运行可是采用多线程实现，具体如下：

# 开启2个生产者线程
for p_in in range(1, 3):
    p = threading.Thread(target=producer)
    p.start()


# 开启2个消费者线程
for p_in in range(1, 2):
    p = threading.Thread(target=consumer)
    p.start()