python爬虫之Ajax动态加载数据抓取--豆瓣电影/腾讯招聘

淡淡的烟草味﹌ 2023-06-22 08:28 260阅读 0赞

## **动态加载数据抓取-Ajax** ##

*  特点

1、右键 -> 查看网页源码中没有具体数据
    2、滚动鼠标滑轮或其他动作时加载

*  抓取

1、F12打开控制台，页面动作抓取网络数据包
    2、抓取json文件URL地址
    # 控制台中 XHR ：异步加载的数据包
    # XHR -> QueryStringParameters(查询参数)

**豆瓣电影数据抓取案例**

*  目标

1、地址: 豆瓣电影 - 排行榜 - 剧情
    2、目标: 电影名称、电影评分

*  F12抓包（XHR）

1、Request URL(基准URL地址) ：https://movie.douban.com/j/chart/top_list?
    2、Query String(查询参数)
    # 抓取的查询参数如下：
    type: 13
    interval_id: 100:90
    action: ''
    start: 0
    limit: 用户输入的电影数量

*  json模块的使用

1、json.loads(json格式的字符串)：把json格式的字符串转为python数据类型
    # 示例
    html = json.loads(res.text)
    print(type(html))

*  代码实现

import requests
    import json
    
    class DoubanSpider(object):
        def __init__(self):
            self.url = 'https://movie.douban.com/j/chart/top_list?'
            self.headers = { 'User-Agent' : 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'}
    
        # 获取页面
        def get_page(self,params):
            res = requests.get(
                url=self.url,
                params=params,
                headers=self.headers,
                verify=True
            )
            res.encoding = 'utf-8'
            # json.loads() josn格式->Python格式
            html = res.json()
            self.parse_page(html)
    
        # 解析并保存数据
        def parse_page(self,html):
            # html为大列表 [{电影1信息},{},{}]
            for h in html:
                # 名称
                name = h['title'].strip()
                # 评分
                score = float(h['score'].strip())
                # 打印测试
                print([name,score])
    
        # 主函数
        def main(self):
            limit = input('请输入电影数量:')
            params = { 
                'type' : '24',
                'interval_id' : '100:90',
                'action' : '',
                'start' : '0',
                'limit' : limit
            }
            # 调用函数,传递params参数
            self.get_page(params)
    
    if __name__ == '__main__':
        spider = DoubanSpider()
        spider.main()

**腾讯招聘案例**

*  URL地址及目标

1.  确定URL地址及目标
    
        1、URL: 百度搜索腾讯招聘 - 查看工作岗位
        2、目标: 职位名称、工作职责、岗位要求
2.  F12抓包
3.  一级页面json地址(index变,timestamp未检查)

https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1563912271089&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={ }&pageSize=10&language=zh-cn&area=cn

1.  二级页面地址(postId在变,在一级页面中可拿到)

https://careers.tencent.com/tencentcareer/api/post/ByPostId?timestamp=1563912374645&postId={ }&language=zh-cn

*  具体代码实现

import requests
    import json
    import time
    import random
    
    class TencentSpider(object):
      def __init__(self):
        self.headers = { 'User-Agent':'Mozilla/5.0'}
        self.one_url = 'https://careers.tencent.com/tencentcareer/api/post/Query?timestamp=1563912271089&countryId=&cityId=&bgIds=&productId=&categoryId=&parentCategoryId=&attrId=&keyword=&pageIndex={}&pageSize=10&language=zh-cn&area=cn'
    
      def get_page(self,url):
        res = requests.get(url,headers=self.headers)
        res.encoding = 'utf-8'
        # json.loads()把json格式的字符串转为python数据类型
        html = json.loads(res.text)
        return html
    
      def parse_one_page(self,html):
        job_info = { }
        for job in html['Data']['Posts']:
          job_info['job_name'] = job['RecruitPostName']
          job_info['job_address'] = job['LocationName']
          # 拿postid为了拼接二级页面地址
          post_id = job['PostId']
          # 职责和要求(二级页面)
          # 得到二级页面链接
          two_url = 'https://careers.tencent.com/tencentcareer/api/post/ByPostId?timestamp=1563912374645&postId={}&language=zh-cn'.format(post_id)
          # 发请求解析
          job_info['job_duty'],job_info['job_requirement'] = self.parse_two_page(two_url)
          print(job_info)
    
      def parse_two_page(self,two_url):
        html = self.get_page(two_url)
        # 职责
        job_duty = html['Data']['Responsibility']
        # 要求
        job_requirement = html['Data']['Requirement']
    
        return job_duty,job_requirement
    
      def main(self):
        for index in range(1,11):
          url = self.one_url.format(index)
          one_html = self.get_page(url)
          self.parse_one_page(one_html)
          time.sleep(random.uniform(0.5,1.5))
    
    if __name__ == '__main__':
      spider = TencentSpider()
      spider.main()

附git地址：https://github.com/RyanLove1/spider\_code

补充：

## **控制台抓包** ##

*  打开方式及常用选项

1、打开浏览器，F12打开控制台，找到Network选项卡
    2、控制台常用选项
       1、Network: 抓取网络数据包
            1、ALL: 抓取所有的网络数据包
            2、XHR：抓取异步加载的网络数据包
            3、JS : 抓取所有的JS文件
       2、Sources: 格式化输出并打断点调试JavaScript代码，助于分析爬虫中一些参数
       3、Console: 交互模式，可对JavaScript中的代码进行测试
    3、抓取具体网络数据包后
       1、单击左侧网络数据包地址，进入数据包详情，查看右侧
       2、右侧:
           1、Headers: 整个请求信息
                General、Response Headers、Request Headers、Query String、Form Data
           2、Preview: 对响应内容进行预览
           3、Response：响应内容

## **python中正则处理headers和formdata** ##

1、pycharm进入方法 ：Ctrl + r ，选中 Regex
    2、处理headers和formdata
      (.*): (.*)
      "$1": "$2",
    3、点击 Replace All