python爬虫之网页分析错误_用Python爬虫爬取动态网页，附带完整代码，有错误欢迎指出！...

叁歲伎倆 2022-11-19 09:59 156阅读 0赞

系统环境：

操作系统：Windows8.1专业版 64bit

Python：anaconda、Python2.7

Python modules:requests、random、json

Background:

对于静态网页，我们只需要把网页地址栏中的url传到get请求中就可以轻松地获取到网页的数据。但是，我们经常会遇到直接把网页地址栏中的url传到get请求中无法直接获取到网页的数据的情况，而且右键查看网页源代码也无法看到网页的数据，同时点击第二页、第三页等进行翻页的时候，网页地址栏中的url也没变，这些就是动态网页，例如：自律监管措施 - 全国中小企业股份转让系统www.neeq.com.cn

解决办法：

对于动态网页抓取的关键是先分析网页数据获取和跳转的逻辑，再去写代码。接下来，将以上面的那个网页为例，介绍如何利用Python来爬取动态网页的数据。

1、分析网页数据请求和跳转的逻辑：![Image 1][]

如上图所示，我们打开网页之后，按“F12”进入chrome浏览器的开发工具，点击“Network”->XHR(有时候是JS)，然后我们点击上面的页面跳转栏的“2”跳转到第二页，然后我们可以看到开发工具左边的框里出现了一个新的请求，即左下图的最下面那一行(蓝色那条)，我们用鼠标点击它，就可以在右边显示出该请求的headers的相关信息。在Headers中我们可以知道：Requests URL就是该网页真正请求的URL，而且由Request Method可以知道这是一个post请求，而下面的Request Headers就是该请求所需要设置的headers参数。因为这是一个post请求，所以我们要查看一下post请求提交了那些数据，所以我们可以在右边的Headers中继续往下拉来查看。![Image 1][]

所以由上图的Form Data我们可以知道，post请求上传了两个关键的数据：disclosureType和page，到此我们就成功地分析了该动态网页数据请求和跳转的逻辑，接下来通过编程来实现爬取该网页的数据。

2、Coding:

\# -\*- coding: utf-8 -\*-

"""Created on Tue May 01 18:52:49 2018@author: gmn"""

\#导入requests module

import requests

\#导入random module

import random

\#导入json module

import json

\# =============================================================================

\# 应对网站反爬虫的相关设置

\# =============================================================================

\#User-Agent列表，这个可以自己在网上搜到，用于伪装浏览器的User Agent

USER\_AGENTS = \[

"Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1"

"Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50",

"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",

"Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",

"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",

"Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",

"Mozilla/5.0 (Macintosh; Intel Mac OS X 10\_7\_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",

"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",

"Opera/9.80 (Windows NT 5.1; U; zh-cn) Presto/2.9.168 Version/11.50",

"Mozilla/5.0 (Windows NT 5.1; rv:5.0) Gecko/20100101 Firefox/5.0",

"Mozilla/5.0 (Windows NT 5.2) AppleWebKit/534.30 (KHTML, like Gecko) Chrome/12.0.742.122 Safari/534.30",

"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",

"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",

"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",

"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",

"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 SE 2.X MetaSr 1.0",

"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0)",

"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.2)",

"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)",

"Mozilla/4.0 (compatible; MSIE 5.0; Windows NT)",

"Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1",

"Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070309 Firefox/2.0.0.3",

"Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070803 Firefox/1.5.0.12 "

\#IP地址列表，用于设置IP代理

IP\_AGENTS = \[

"http://58.240.53.196:8080",

"http://219.135.99.185:8088",

"http://117.127.0.198:8080",

"http://58.240.53.194:8080"

\#设置IP代理

proxies=\{"http":random.choice(IP\_AGENTS)\}

\# =============================================================================

\# 上面的设置是为了应对网站的反爬虫，与具体的网页爬取无关

\# =============================================================================

\# 下面这些是根据刚才第一步的分析来设置的，所以下面需要按照第一步的分析来设置对应的参数。

\# 根据第一步图片的右下角部分来设置Cookie、url、headers和post参数

\# =============================================================================

\#设置cookie

Cookie = "Hm\_lvt\_b58fe8237d8d72ce286e1dbd2fc8308c=1525162758; BIGipServerNEEQ\_8000-NEW=83952564.16415.0000; JSESSIONID=E50D2B8270D728502754D4330CB0E275; Hm\_lpvt\_b58fe8237d8d72ce286e1dbd2fc8308c=1525165761"

\#设置动态js的url

url = 'http://www.neeq.com.cn/disclosureInfoController/infoResult.do?callback=jQuery18307528463705200819\_1525173495230'

\#设置requests请求的 headers

headers = \{

'User-agent': random.choice(USER\_AGENTS), \#设置get请求的User-Agent，用于伪装浏览器UA

'Cookie': Cookie,

'Connection': 'keep-alive',

'Accept': 'text/javascript, application/javascript, application/ecmascript, application/x-ecmascript, \*/\*; q=0.01',

'Accept-Encoding': 'gzip, deflate',

'Accept-Language': 'zh-CN,zh;q=0.9',

'Host': 'www.neeq.com.cn',

'Referer': 'http://www.neeq.com.cn/disclosure/supervise.html'

\#设置页面索引

pageIndex=0

\#设置url post请求的参数

data=\{

'page':pageIndex,

'disclosureType':8

\#requests post请求

req=requests.post(url,data=data,headers=headers,proxies=proxies)

print(req.content) \#通过打印req.content，我们可以知道post请求返回的是json数据，而且该数据是一个字符串类型的

\#获取包含json数据的字符串

\#str\_data=req.content

\#\#获取json字符串数据

\#str\_json=str\_data\[8:-2\]

\#print(str\_json)

\#\#把json数据转成dict类型

\#json\_Info=json.loads(str\_json)

运行结果如下：![Image 1][]

我们可以看到返回的数据req.content为json格式的数据，但是json数据的前面和后面分别是"jQuery18307528463705200819\_1525173495230(\["和"\])"，所以我们要去掉这两部分，留下中间的json格式的数据。在此之前，我们可以发现“jQuery18307528463705200819\_1525173495230”就是我们的url参数“callback”的值，所以为了去掉jQuery后面的一大串数字，我们可以把“callback”的值改成“jQuery”(当然你也可以改成其他的值)，所以url变为'http://www.neeq.com.cn/disclosureInfoController/infoResult.do?callback=jQuerywww.neeq.com.cn

在此运行代码，可以得到：![Image 1][]

而且我们发现req.content是一个字符串类型的数据，所以我们可以用：

\#获取json字符串数据

str\_json=str\_data\[8:-2\]

来获取我们需要的中间的那部分json数据，此时代码如下：

\# -\*- coding: utf-8 -\*-

"""

Created on Tue May 01 18:52:49 2018

@author: gmn