標籤:響應 中間 爬蟲 類型 產生 載入完成 一個 log 字元
第三百三十四節,web爬蟲講解2—Scrapy架構爬蟲—Scrapy爬取百度新聞,爬取Ajax動態產生的資訊
crapy爬取百度新聞,爬取Ajax動態產生的資訊,抓取百度新聞首頁的新聞標題和rul地址
有多網站,當你瀏覽器訪問時看到的資訊,在html源檔案裡卻找不到,由得資訊還是捲軸滾動到對應的位置後才顯示資訊,那麼這種一般都是 js 的 Ajax 動態請求產生的資訊
我們以百度新聞為列:
1、分析網站
首先我們瀏覽器開啟百度新聞,在網頁中間部分找一條新聞資訊
然後查看源碼,看看在源碼裡是否有這條新聞,可以看到源檔案裡沒有這條資訊,這種情況爬蟲是無法爬取到資訊的
那麼我們就需要抓包分析了,啟動抓包軟體和抓包瀏覽器,前後有說過軟體了,就不在說了,此時我們經過抓包看到這條資訊是通過Ajax動態產生的JSON資料,也就是說,當html頁面載入完成後才產生的,所有我們在源檔案裡無法找到,當然爬蟲也找不到
我們首先將這個JSON資料網址拿出來,到瀏覽器看看,我們需要的資料是不是全部在裡面,此時我們看到這次請求裡只有 17條資訊,顯然我們需要的資訊不是完全在裡面,還得繼續看看其他js包
我們將抓包瀏覽器捲軸拉到底,以便觸發所有js請求,然後在繼續找js包,我們將所有js包都找完了再也沒看到新聞資訊的包了
那資訊就不在js包裡了,我們回頭在看看其他類型的請求,此時我們看到很多get請求響應的是我們需要的新聞資訊,說明只有第一次那個Ajax請求返回的JSON資料,後面的Ajax請求返回的都是html類型的字串資料,
我們將Ajax請求返回的JSON資料的網址和Ajax請求返回html類型的字串資料網址,拿來做一下比較看看是否能找到一定規律,
此時我們可以看到,JSON資料的網址和html類型的字串資料網址是一個請求地址,
只是請求時傳遞的參數不一樣而已,那麼說明無論返回的什麼類型的資料,都是在一個請求地址處理的,只是根據不同的傳參返回不同類型的資料而已
http://news.baidu.com/widget?id=LocalNews&ajax=json&t=1501348444467 JSON資料的網址http://news.baidu.com/widget?id=civilnews&t=1501348728134 html類型的字串資料網址http://news.baidu.com/widget?id=InternationalNews&t=1501348728196 html類型的字串資料網址
我們可以將html類型的字串資料網址加上JSON資料的網址參數,那是否會返回JSON資料類型?試一試,果然成功了
http://news.baidu.com/widget?id=civilnews&ajax=json 將html類型的字串資料網址加上JSON資料的網址參數http://news.baidu.com/widget?id=InternationalNews&ajax=json 將html類型的字串資料網址加上JSON資料的網址參數
這下就好辦了,找到所有的html類型的字串資料網址,按照上面的方法將其轉換成JSON資料的網址,然後迴圈的去訪問轉換後的JSON資料的網址,就可以拿到所有新聞的標題和url地址了
第三百三十四節,web爬蟲講解2—Scrapy架構爬蟲—Scrapy爬取百度新聞,爬取Ajax動態產生的資訊