点击蓝字“python教程”关注我们哟!
之前打算爬取一个图片资源网站,但是在翻页时发现它的url并没有改变,无法简单的通过request.get()访问其他页面。据搜索资料,了解到这些网站是通过ajax动态加载技术实现。即可以在不重新加载整个网页的情况下,对网页的某部分进行更新。
这样的设置无疑给初期爬虫新手制造了一些困难。
1、什么是ajax
几个常见的用到ajax的场景。
比如你在逛知乎,你没有刷新过网页,但是你却能看到你关注的用户或者话题有了新动态的消息提示。
还比如,我们在看视频时,可以看到下面的评论没有完全全部加载出来,而是你向下拖动一点,它给你加载一点。
从上述场景你应该也可以发现它的优点:
方便与用户的交互,不用重新加载整个网页,就可以实现刷新,不用中断用户的行为。你正在看程序员如何找对象呢,此时来个消息推送,整个网页被刷新了,你说你气不气!
还是你在看程序员如何找对象,但是此时通信状况不好啊。回答加载不出来,页面就空白的卡那了,回答加载不出来,你说急不急!那这样咯,先给你看几个回答,在你看的时候我再悄悄的加载其它的数据,那不就解决了吗?就跟吃饭一个道理,你点了一桌子菜,难道菜全做好了再给你上吗?肯定不会的呀,做好一道上一道嘛,对不对。
从服务端的发送过来的ajax数据,体积比较小。浏览器知道怎么渲染它,这样就减轻了服务端的压力,让客户端,也就是浏览器承担了一些任务。
Ajax技术的核心是XMLHttpRequest对象(简称XHR),可以通过使用XHR对象获取到服务器的数据,然后再通过DOM将数据插入到页面中呈现。虽然名字中包含XML,但Ajax通讯与数据格式无关,所以我们的数据格式可以是XML或JSON等格式。(具体请访问:https://www.w3.org/TR/XMLHttpRequest/)
XMLHttpRequest对象用于在后台与服务器交换数据,具体作用如下:
在不重新加载页面的情况下更新网页
在页面已加载后从服务器请求数据
在页面已加载后从服务器接收数据
在后台向服务器发送数据
2、如何爬取ajax动态加载的网页
这里用到的方法是通过分析响应请求,模拟响应参数。再通过requests库的request.post()函数去post相对应的参数即可
具体方法如下:
打开开发者工具,快捷键F12,不行就Fn + F12.
标红的1, network, 在其中可以看到服务器加载过来的资源。
标红的2, 是一个过滤器,你可以按照文件格式筛选。
标红的3,是加载过来的具体文件。
Headers中的request method 中显示我们使用的是POST方法。
而且FROM Data 中有一个参数,page。
利用Form Data 中的数据,编写一个字典,赋值给requests.post()中的data即可
接下来就可以正常访问和翻页了!
更为具体的信息可见:https://zhuanlan.zhihu.com/p/27346009,很感谢其提供的思路和帮助
附源码
import requestsimport osimport redef get_page(url,page_num):pageList =[]for i in range(1,page_num +1):formdata ={'type':'index' ,'paged': i}try:r = requests.post(url,data =formdata)r.raise_for_status()r.encoding = r.apparent_encodingprint('链接成功')p = re.compile(r'href="(http://www.jdlingyu.net/\d{5}/)"')tempList = re.findall(p,r.text)for each in tempList:pageList.append(each)print('保存页面成功')tempList = []except:print('链接失败')print(pageList)return pageListdef get_picure(pageList):picList = []for each in pageList:try:r = requests.get(each,headers = kv)r.raise_for_status()r.encoding = r.apparent_encodingp = re.compile('http://img.jdlingyu.mobi/[^"]+\.jpg|http://w[wx][23].sinaimg.cn/[^"]+\.jpg')tempList = re.findall(p,r.text)for each in tempList:picList.append(each)print('保存图片链接成功')tempList = []except:print('保存图片链接失败')return picListdef down_picture(picList,root):picList = list(set(picList))if not os.path.exists(root):os.mkdir(root)for each in picList:path = root + each.split('/')[-1]if not os.path.exists(path):r = requests.get(each,headers = kv)r.raise_for_status()with open(path,'wb') as f:f.write(r.content)print('动图已保存')else:print('动图已存在')url = 'http://www.jdlingyu.net/'kv = {'User-Agent':'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.221 Safari/537.36 SE 2.X MetaSr 1.0'}root = 'D://绝对领域//'pageList = get_page(url,2)picList = get_picure(pageList)down_picture(picList,root)
注意事项
01
对Python开发技术感兴趣的同学,欢迎加下方的交流群一起学习,相互讨论。
02
python交流学习扣扣群:934109170,多多交流问题,互帮互助,群里有不错的学习教程和开发工具。学习python有任何问题(学习方法,学习效率,如何就业),可以随时来咨询我
好啦!文章就给看官们分享到这儿
最后,如果觉得有帮助,记得关注、转发、收藏哟