HTML 页面抓取

Posted 2023-03-05

【中文标题】HTML 页面抓取

【英文标题】：HTML Page Scraping

【发布时间】：2012-11-24 16:11:46

【问题描述】：

抓取具有 AJAX/动态加载数据的网页的最佳方法是什么？

例如：抓取一个加载时显示 20 张图片的网页，但当用户向下滚动页面时，它会加载更多图片（有点像 Facebook）。在这种情况下，您如何抓取所有图像，而不仅仅是前 20 个？

【参考方案1】：

这是连主要搜索引擎都没有掌握的东西。它叫做“event-driven crawling”。

Google 甚至提供了如何处理 help them crawl your ajax sites better 的指南

最好的办法是阅读一些open source crawlers 并看看他们做了什么。但你爬到 80% 的机会充其量是微乎其微的，除非你有一个特定的目标。

crawljax也有一些有趣的读物

基本上，您应该尝试查找脚本并检查它们是否进行任何 ajax 调用，然后确定它们采用哪种参数并使用递增/递减的参数值重复调用。这仅在参数具有逻辑模式（例如数字、单个字母等）时才有效。它还取决于您是针对已知站点还是只是将其发送到野外。如果你知道你的目标，你可以检查它的 DOM 并自定义你的代码以获得更高的准确性，如 wolf 所提到的。

祝你好运

【参考方案2】：

使用Fiddler 或WireShark 等工具检查加载更多项目时完成的网络请求。

然后在您的代码中复制请求。

---

更新（感谢pguardiario ofr 他的评论）：

请注意，Wireshark 是一种低级网络捕获工具，它提供有关流量的大量详细信息（正在交换的数据包、DNS 查找等），并且在您只希望在这种情况下使用可能会很痛苦查看 HTTP 请求。

因此，您最好在浏览器中使用 Fiddler 或类似工具（例如：Chrome 的网络检查面板）。

【讨论】：

提琴手是的，但wireshark会很痛苦。 Chrome 的网络检查面板将完成这项工作。

@pguardiario 是的，这也是一个很棒的工具

【参考方案3】：

Crawljax 是开源的，可以动态抓取基于 Ajax 的内容。