爬虫基础

Posted 2020-12-27 yinjiangchong

数据提取的概念和数据的分类

1. 什么是数据提取

简单的来说，数据提取就是从响应中获取我们想要的数据的过程

2. 爬虫中数据的分类

• 结构化数据：json，xml等
• 处理方式：直接转化为python类型
• 非结构化数据：html
• 处理方式：正则表达式、xpath

数据提取之json

1.为什么要复习json

由于把json数据转化为python内建数据类型很简单，所以爬虫中，如果我们能够找到返回json数据的URL，就会尽量使用这种URL，而很多地方也都会返回json

2. 什么是json

JSON(javascript Object Notation) 是一种轻量级的数据交换格式，它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景，比如网站前台与后台之间的数据交互。

3.哪里能找到返回json的url

3.1 我们如何确定数据在哪里

在url地址对应的响应中搜索关键字即可

但是注意：url地址对应的响应中，中文往往是被编码之后的内容，所以更推荐大家去搜索英文和数字；另外一个方法就是在perview中搜索，其中的内容都是转码之后的

3.2 切换手机版寻找返回json的地址

在chrome中点击切换手机版的选项，需要重新刷新页面才能够切换成功，部分网站还需要重新进入主页面之后再继续点击才能够切换成功，比如：豆瓣热映

现在我们找到了返回电影数据的地址：https://m.douban.com/rexxar/api/v2/subject_collection/movie_showing/items?os=android&for_mobile=1&callback=jsonp1&start=0&count=18&loc_id=108288&_=1524495777522

通过请求我们发现，并不能成功，那是为什么呢？

对比抓包的地址和现在的地址，会发现部分headers字段没有，通过尝试，会发现是Referer字段缺少的原因

在上面这个地址中，我们会发现响应中包含部分数据并不是我们想要的，如下：

;jsonp1({"count": 18, "start": 0, "subject_collection_items": "...."})

其中jsonp1似乎是很眼熟，在请求的地址中包含一个参数callback=jsonp1，正是由于这个参数的存在，才导致结果中也会有这部分数据，对应的解决方法是：直接删除url地址中的callback字段即可,在url地址中很多字段都是没用的，比如这里的&loc_id,_等等，可以大胆尝试

3.3 json数据格式化方法

• 在preview中观察,注意json分为键值对

• 在线解析工具进行解析

• 比如：https://www.bejson.com/

• pycharm进行reformat code,

• 在pycharm中新建一个json文件，把数据存入后，点击code下面的reformat code，但是中文往往显示的是unicode格式

3.4 json数据的其他来源

抓包app，app的抓包方式会在后面学习，但是很多时候app中的数据是被加密的，但是仍然值得尝试

 

4.json模块中方法的学习

具有read()或者write()方法的对象就是类文件对象，比如f = open(“a.txt”,”r”) f就是类文件对象

#json.dumps 实现python类型转化为json字符串
#indent实现换行和空格
#ensure_ascii=False实现让中文写入的时候保持为中文
json_str = json.dumps(mydict,indent=2,ensure_ascii=False)


#json.loads 实现json字符串转化为python类型
my_dict = json.loads(json_str)


#json.dump 实现把python类型写入类文件对象
with open("temp.txt","w") as f:
    json.dump(mydict,f,ensure_ascii=False,indent=2)

# json.load 实现类文件对象中的json字符串转化为python类型
with open("temp.txt","r") as f:
    my_dict = json.load(f)

5. json模块的作用

Json在数据交换中起到了一个载体的作用，承载相互传递的数据