實(shí)戰(zhàn)|Python輕松實(shí)現(xiàn)動(dòng)態(tài)網(wǎng)頁(yè)爬蟲(附詳細(xì)源碼)

J哥一向注重理論與實(shí)踐相結(jié)合,知其然也要知其所以然,才能以不變應(yīng)萬(wàn)變。
所謂的動(dòng)態(tài)網(wǎng)頁(yè),是指跟靜態(tài)網(wǎng)頁(yè)相對(duì)的一種網(wǎng)頁(yè)編程技術(shù)。靜態(tài)網(wǎng)頁(yè),隨著html代碼的生成,頁(yè)面的內(nèi)容和顯示效果就基本上不會(huì)發(fā)生變化了——除非你修改頁(yè)面代碼。而動(dòng)態(tài)網(wǎng)頁(yè)則不然,頁(yè)面代碼雖然沒(méi)有變,但是顯示的內(nèi)容卻是可以隨著時(shí)間、環(huán)境或者數(shù)據(jù)庫(kù)操作的結(jié)果而發(fā)生改變的。——來(lái)源百度百科
動(dòng)態(tài)網(wǎng)頁(yè)具有減少工作量、內(nèi)容更新快、可完成功能多等特點(diǎn),被很多公司所采用,比如狗東、某寶、某瓣、某乎等等。
1. 解析接口
只要是有數(shù)據(jù)發(fā)送過(guò)來(lái),那肯定是有發(fā)送到服務(wù)器的請(qǐng)求的吧。我們只需找出它悄悄加載出的頁(yè)面的真實(shí)請(qǐng)求即可。特點(diǎn):爬取速度快,爬取的數(shù)據(jù)干凈,有些網(wǎng)站解析難度較大。
2. Selenium?
selenium是什么呢?它本來(lái)是個(gè)自動(dòng)化測(cè)試工具,但是被廣泛的用戶拿去爬蟲了。它是一個(gè)工具,這個(gè)工具可以用代碼操作瀏覽器,比如控制瀏覽器的下滑、模擬鼠標(biāo)點(diǎn)擊等。特點(diǎn):代碼較簡(jiǎn)單,爬取速度慢,容易被封ip。
怎么說(shuō)了那么多理論,說(shuō)實(shí)話J哥也不想那么啰嗦。可是吧,這些東西經(jīng)常會(huì)被問(wèn)到,干脆直接寫下來(lái),下次還有人問(wèn)就直接把這篇文章發(fā)給他,一勞永逸!

OK,咱們繼續(xù)回到王律師的part。王律師作為一名資深律師,深知研究法院歷年公示的開(kāi)庭信息、執(zhí)行信息等對(duì)于提升業(yè)務(wù)能力具有重要作用。于是,他興高采烈地打開(kāi)了一個(gè)法院信息公示網(wǎng)頁(yè)。
長(zhǎng)這樣:

然后,他根據(jù)J哥之前寫的爬蟲入門文章去爬數(shù)據(jù),成功提取了第一頁(yè),內(nèi)心無(wú)比之激動(dòng)。

緊接著,他加了個(gè)for循環(huán),想著花個(gè)幾分鐘時(shí)間把此網(wǎng)站2164頁(yè)共計(jì)32457條開(kāi)庭公告數(shù)據(jù)提取到excel里。
然后,也就沒(méi)有然后了。各位看了前面的理論部分應(yīng)該也知道了,他這是 AJAX動(dòng)態(tài)加載的網(wǎng)頁(yè)。無(wú)論你怎么點(diǎn)擊下一頁(yè),url是不會(huì)變化的。你不信我點(diǎn)給你看看,左上角的url像山一樣矗立在那:

既然如此,那我們就開(kāi)啟爬蟲的正確姿勢(shì)吧,先用解析接口的方法來(lái)寫爬蟲。
首先,找到真實(shí)請(qǐng)求。右鍵檢查,點(diǎn)擊Network,選中XHR,刷新網(wǎng)頁(yè),選擇Name列表中的jsp文件。沒(méi)錯(cuò),就這么簡(jiǎn)單,真實(shí)請(qǐng)求就藏在里面。
?

我們?cè)僮屑?xì)看看這個(gè)jsp,這簡(jiǎn)直是個(gè)寶啊。有真實(shí)請(qǐng)求url,有請(qǐng)求方法post,有Headers,還有Form Data,而From Data表示給url傳遞的參數(shù),通過(guò)改變參數(shù),咱們就可以獲得數(shù)據(jù)!為了安全,我把自個(gè)Cookie打了個(gè)馬賽克,機(jī)智的朋友也許發(fā)現(xiàn)了我順帶給自個(gè)打了個(gè)廣告。

我們?cè)僮屑?xì)看看這些參數(shù),pagesnum參數(shù)不就是代表頁(yè)數(shù)嘛!王律師頓悟,原來(lái)他心心念念的翻頁(yè)在這里!跨過(guò)千山萬(wàn)水終于找到你!我們嘗試點(diǎn)擊翻頁(yè),發(fā)現(xiàn)只有pagesnum參數(shù)會(huì)變化。

既然發(fā)現(xiàn)了它,那就趕緊抓住它。J哥以迅雷不及掩耳勢(shì)打開(kāi)PyCharm,導(dǎo)入了爬蟲所需的庫(kù)。
1from?urllib.parse?import?urlencode
2import?csv
3import?random
4import?requests
5import?traceback
6from?time?import?sleep
7from?lxml?import?etree????#lxml為第三方網(wǎng)頁(yè)解析庫(kù),強(qiáng)大且速度快
構(gòu)造真實(shí)請(qǐng)求,添加Headers。這里J哥沒(méi)有貼自己的User-Agent和Cookie,主要是一向膽小甚微的J哥害怕啊。
1base_url?=?'http://www.hshfy.sh.cn/shfy/gweb2017/ktgg_search_content.jsp?'??#這里要換成對(duì)應(yīng)Ajax請(qǐng)求中的鏈接
2
3headers?=?{
4????'Connection':?'keep-alive',
5????'Accept':?'*/*',
6????'X-Requested-With':?'XMLHttpRequest',
7????'User-Agent':?'你的User-Agent',
8????'Origin':?'http://www.hshfy.sh.cn',
9????'Referer':?'http://www.hshfy.sh.cn/shfy/gweb2017/ktgg_search.jsp?zd=splc',
10????'Accept-Language':?'zh-CN,zh;q=0.9',
11????'Content-Type':?'application/x-www-form-urlencoded',
12????'Cookie':?'你的Cookie'
13}
構(gòu)建get_page函數(shù),自變量為page,也就是頁(yè)數(shù)。以字典類型創(chuàng)建表單data,用post方式去請(qǐng)求網(wǎng)頁(yè)數(shù)據(jù)。這里要注意要對(duì)返回的數(shù)據(jù)解碼,編碼為'gbk',否則返回的數(shù)據(jù)會(huì)亂碼!另外我還加了異常處理優(yōu)化了下,以防意外發(fā)生。
1def?get_page(page):
2????n?=?3
3????while?True:
4????????try:
5????????????sleep(random.uniform(1,?2))??#?隨機(jī)出現(xiàn)1-2之間的數(shù),包含小數(shù)
6????????????data?=?{
7????????????????'yzm':?'yxAH',
8????????????????'ft':'',
9????????????????'ktrqks':?'2020-05-22',
10????????????????'ktrqjs':?'2020-06-22',
11????????????????'spc':'',
12????????????????'yg':'',
13????????????????'bg':'',
14????????????????'ah':'',
15????????????????'pagesnum':?page
16????????????}
17????????????url?=?base_url?+?urlencode(data)
18????????????print(url)
19????????????try:
20????????????????response?=?requests.request("POST",url,?headers?=?headers)
21????????????????#print(response)
22????????????????if?response.status_code?==?200:
23????????????????????re?=?response.content.decode('gbk')
24????????????????????#?print(re)
25????????????????????return?re??#?解析內(nèi)容
26????????????except?requests.ConnectionError?as?e:
27????????????????print('Error',?e.args)??#?輸出異常信息
28????????except?(TimeoutError,?Exception):
29????????????n?-=?1
30????????????if?n?==?0:
31????????????????print('請(qǐng)求3次均失敗,放棄此url請(qǐng)求,檢查請(qǐng)求條件')
32????????????????return
33????????????else:
34????????????????print('請(qǐng)求失敗,重新請(qǐng)求')
35????????????????continue
構(gòu)建parse_page函數(shù),對(duì)返回的網(wǎng)頁(yè)數(shù)據(jù)進(jìn)行解析,用Xpath提取所有字段內(nèi)容,保存為csv格式。有人會(huì)問(wèn)為啥J哥這么喜歡用Xpath,因?yàn)楹?jiǎn)單好用啊!!!這么簡(jiǎn)單的網(wǎng)頁(yè)結(jié)構(gòu)搞個(gè)正則大法裝x,J哥我做不到啊。
1def?parse_page(html):
2????try:
3????????parse?=?etree.HTML(html)??#?解析網(wǎng)頁(yè)
4????????items?=?parse.xpath('//*[@id="report"]/tbody/tr')
5????????for?item?in?items[1:]:
6????????????item?=?{
7????????????????'a':?''.join(item.xpath('./td[1]/font/text()')).strip(),
8????????????????'b':?''.join(item.xpath('./td[2]/font/text()')).strip(),
9????????????????'c':?''.join(item.xpath('./td[3]/text()')).strip(),
10????????????????'d':?''.join(item.xpath('./td[4]/text()')).strip(),
11????????????????'e':?''.join(item.xpath('./td[5]/text()')).strip(),
12????????????????'f':?''.join(item.xpath('./td[6]/div/text()')).strip(),
13????????????????'g':?''.join(item.xpath('./td[7]/div/text()')).strip(),
14????????????????'h':?''.join(item.xpath('./td[8]/text()')).strip(),
15????????????????'i':?''.join(item.xpath('./td[9]/text()')).strip()
16????????????}
17????????????#print(item)
18????????????try:
19????????????????with?open('./law.csv',?'a',?encoding='utf_8_sig',?newline='')?as?fp:
20????????????????????#?'a'為追加模式(添加)
21????????????????????#?utf_8_sig格式導(dǎo)出csv不亂碼
22????????????????????fieldnames?=?['a',?'b',?'c',?'d',?'e','f','g','h','i']
23????????????????????writer?=?csv.DictWriter(fp,fieldnames)
24????????????????????writer.writerow(item)
25????????????except?Exception:
26????????????????print(traceback.print_exc())??#代替print?e?來(lái)輸出詳細(xì)的異常信息
27????except?Exception:
28????????print(traceback.print_exc())
最后,遍歷一下頁(yè)數(shù),調(diào)用一下函數(shù)。OK,搞定!
1????for?page?in?range(1,5):??#這里設(shè)置想要爬取的頁(yè)數(shù)
2????????html?=?get_page(page)
3????????#print(html)
4????????print("第"?+?str(page)?+?"頁(yè)提取完成")
我們來(lái)看一下最終效果:

首先,把相關(guān)庫(kù)導(dǎo)進(jìn)來(lái)。
1from?lxml?import?etree
2import?time
3from?selenium?import?webdriver
4from?selenium.?webdriver.support.wait?import?WebDriverWait
5from?selenium.webdriver.support?import?expected_conditions?as?EC
6from?selenium.webdriver.common.by?import?By
然后,用chromedriver驅(qū)動(dòng)打開(kāi)這個(gè)網(wǎng)站。
1def?main():
2????#?爬取首頁(yè)url
3????url?=?"http://www.hshfy.sh.cn/shfy/gweb2017/flws_list.jsp?ajlb=aYWpsYj3D8crCz"
4????#?定義谷歌webdriver
5????driver?=?webdriver.Chrome('./chromedriver')
6????driver.maximize_window()??#?將瀏覽器最大化
7????driver.get(url)


參考鏈接:
Ajax:https://www.w3school.com.cn/php/php_ajax_intro.asp;
Ajax_json:https://www.jianshu.com/p/1897a8068dfb;
Examples:https://www.zhihu.com/question/46528604?sort=created
PS:在公眾號(hào)【小詹學(xué)Python】后臺(tái)回復(fù)"law"即可自動(dòng)獲取本項(xiàng)目完整代碼啦~
由于微信平臺(tái)算法改版,公號(hào)內(nèi)容將不再以時(shí)間排序展示,如果大家想第一時(shí)間看到我們的推送,強(qiáng)烈建議星標(biāo)我們和給我們多點(diǎn)點(diǎn)【在看】。星標(biāo)具體步驟為:
(1)點(diǎn)擊頁(yè)面最上方“小詹學(xué)Python”,進(jìn)入公眾號(hào)主頁(yè)。
(2)點(diǎn)擊右上角的小點(diǎn)點(diǎn),在彈出頁(yè)面點(diǎn)擊“設(shè)為星標(biāo)”,就可以啦。
感謝支持,比心。

