爬取动态加载的数据

Posted 2021-03-01 zzsy

动态加载的数据

例子1：爬取豆瓣电影中的电影详情数据

url:https://movie.douban.com/

1.什么是动态加载的数据：

我们通过requests模块进行数据爬取无法每次都是可见即可得，有些数据是通过非浏览器地址栏中得url请求到的地址。而是其他请求请求到的数据，那么这些通过其他请求请求到的数据就是动态加载的数据。（猜测有可能是js代码当咱们访问此页面时就会发送得get请求，到其他url中获取数据）

2.如何检测网页中是否存在动态加载得数据

在当前页面中打开抓包工具，捕获到地址栏中的url对应的数据包，在该数据包的response选项卡搜索我们想要爬取的数据，如果搜索到了结果则表示数据不是动态加载的，否则表示数据为动态加载的

3.如果数据为动态加载，那么我们如何捕获到动态加载的数据？

基于抓包工具进行全局搜索。

?

定位到动态加载数据对应的数据包，从该数据包中就可以提取出

• 请求的url
• 请求方式
• 请求携带的参数
• 看到响应数据

然后要分析参数跟url的关系。发现他有 ‘start‘: ‘0‘,‘limit‘: ‘20‘, 在url中有携带此参数，此参数start就是从哪个电影开始。limit就是从开始之后显示多少个。例如爬取前30个电影数据，就是start :0 到 limit ：30 ，例如start :2 到 limit ：12，就是从第二个电影，再往后获取12个电影

所以我们开始写代码：爬取从第10个开始后面的50个电影

url = ‘https://movie.douban.com/j/chart/top_list‘
params = {
    ‘type‘: ‘5‘,
    ‘interval_id‘: ‘100:90‘,
    ‘action‘: ‘‘,
    ‘start‘: ‘10‘,
    ‘limit‘: ‘50‘,
}
response = requests.get(url=url,params=params,headers=headers)
#.json()将获取的字符串形式的json数据序列化成字典或者列表对象
page_text = response.json()
#解析出电影的名称+评分
for movie in page_text:
    name = movie[‘title‘]
    score = movie[‘score‘]
    print(name,score)

例子2：分页爬取肯德基餐厅位置数据

• 分页数据的爬取操作
  • 爬取肯德基的餐厅位置数据
    • url：http://www.kfc.com.cn/kfccda/storelist/index.aspx
• 分析：
  • 1.在录入关键字的文本框中录入关键字按下搜索按钮，发起的是一个ajax请求
    • 当前页面刷新出来的位置信息一定是通过ajax请求请求到的数据
  • 2.基于抓包工具定位到该ajax请求的数据包，从该数据包中捕获到：
    • 请求的url
    • 请求方式
    • 请求携带的参数
    • 看到响应数据

#爬取的是第一页的数据
url = ‘http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword‘
data = {
    ‘cname‘: ‘‘,
    ‘pid‘: ‘‘,
    ‘keyword‘: ‘北京‘,
    ‘pageIndex‘: ‘1‘,
    ‘pageSize‘: ‘10‘,
}
#data参数是post方法中处理参数动态化的参数
get的参数用params，他会显示在url上。post用data！！！！
response = requests.post(url=url,headers=headers,data=data)
page_text = response.json()
for dic in page_text[‘Table1‘]:
    title = dic[‘storeName‘]
    addr = dic[‘addressDetail‘]
    print(title,addr)
    
#爬取多页的话
分析之后处理data数据即可，pageIndex就是显示的页数。for循环，请求每一页的。
for page in range(1,9):
    data = {
        ‘cname‘: ‘‘,
        ‘pid‘: ‘‘,
        ‘keyword‘: ‘北京‘,
        ‘pageIndex‘: str(page),
        ‘pageSize‘: ‘10‘,
    }
    response = requests.post(url=url,headers=headers,data=data)
    page_text = response.json()
    for dic in page_text[‘Table1‘]:
        title = dic[‘storeName‘]
        addr = dic[‘addressDetail‘]
        print(title,addr)

例子3：药监总局每页的详情数据

url = http://125.35.6.84:81/xk/

我们get请求当前url，response选项卡中并未有各个企业的数据，通过抓包工具搜索，发现是post请求了其他网址获取的数据，所以我们通过这个post请求获取url发送请求

参数是：

然后我们发请求获取到每页的数据。但是我们需要每页中每个企业的详情页内容

我们点开详情页，发现get请求此页面response选项卡中没有数据，后来我们发现此页面也是动态加载的数据。有个post请求发送获取数据

经过分析发现他是通过id来查询结果的,此ID在获取页面Json数据时每个企业都有

结果以上。我们写代码获取前3页所有企业的详情信息

url = "http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsList"
for i in range(3):
    data={‘on‘: ‘true‘,
    ‘page‘: ‘1‘,
    ‘pageSize‘: ‘15‘,
    ‘productName‘: ‘‘,
    ‘conditionType‘: i,
    ‘applyname‘: ‘‘,
    ‘applysn‘: ‘‘,}
    response = requests.post(url=url,data=data).json()
    for w in response["list"]:
         print(w)
        data = {"id":w["ID"]}
        url =‘ http://125.35.6.84:81/xk/itownet/portalAction.do?method=getXkzsById‘
        response = requests.post(url=url,data=data).json()
        print(response)