实战|Python轻松实现动态网页爬虫(附详细源码)

  • A+
所属分类:安全开发

预备通知 | Python数据挖掘与Stata应用能力提升与实证前沿国庆工作坊





项目背景



事情是这样的,前几天我公众号写了篇爬虫入门的实战文章,叫做《实战|手把手教你用Python爬虫(附详细源码)》。发出去不到一天,一名从业10年的王律师找到了我,我虽然同意了他的微信申请,但内心是按奈不住的慌张。


实战|Python轻松实现动态网页爬虫(附详细源码)


简单交流了下,原来他在自学爬虫,但他发现翻页的时候,url一直不变。其实他爬取的是较高难度的网页,也就是这次要详细介绍的动态网页。一向乐于助人的J哥自然会给他指明方向,以最短的时间从青铜走向白银。




AJAX动态加载网页




什么是动态网页


J哥一向注重理论与实践相结合,知其然也要知其所以然,才能以不变应万变。


所谓的动态网页,是指跟静态网页相对的一种网页编程技术。静态网页,随着html代码的生成,页面的内容和显示效果就基本上不会发生变化了——除非你修改页面代码。而动态网页则不然,页面代码虽然没有变,但是显示的内容却是可以随着时间、环境或者数据库操作的结果而发生改变的。——来源百度百科


动态网页具有减少工作量、内容更新快、可完成功能多等特点,被很多公司所采用,比如狗东、某宝、某瓣、某乎等等。



什么是AJAX


随着人们对动态网页加载速度的要求越来越高,AJAX技术应运而生并成为许多站点的首选。AJAX是一种用于创建快速动态网页的技术,通过在后台与服务器进行少量数据交换,使网页实现异步更新。这意味着在不重新加载整个网页的情况下,可以对网页的某部分进行更新。



如何爬取AJAX动态加载网页


1. 解析接口

只要是有数据发送过来,那肯定是有发送到服务器的请求的吧。我们只需找出它悄悄加载出的页面的真实请求即可。特点:爬取速度快,爬取的数据干净,有些网站解析难度较大。


2. Selenium 

selenium是什么呢?它本来是个自动化测试工具,但是被广泛的用户拿去爬虫了。它是一个工具,这个工具可以用代码操作浏览器,比如控制浏览器的下滑、模拟鼠标点击等。特点:代码较简单,爬取速度慢,容易被封ip。




项目实操



怎么说了那么多理论,说实话J哥也不想那么啰嗦。可是吧,这些东西经常会被问到,干脆直接写下来,下次还有人问就直接把这篇文章发给他,一劳永逸!


实战|Python轻松实现动态网页爬虫(附详细源码)


OK,咱们继续回到王律师的part。王律师作为一名资深律师,深知研究法院历年公示的开庭信息、执行信息等对于提升业务能力具有重要作用。于是,他兴高采烈地打开了一个法院信息公示网页。


长这样:


实战|Python轻松实现动态网页爬虫(附详细源码)


然后,他根据J哥之前写的爬虫入门文章去爬数据,成功提取了第一页,内心无比之激动。


实战|Python轻松实现动态网页爬虫(附详细源码)


紧接着,他加了个for循环,想着花个几分钟时间把此网站2164页共计32457条开庭公告数据提取到excel里。


然后,也就没有然后了。各位看了前面的理论部分应该也知道了,他这是 AJAX动态加载的网页。无论你怎么点击下一页,url是不会变化的。你不信我点给你看看,左上角的url像山一样矗立在那:


实战|Python轻松实现动态网页爬虫(附详细源码)



解析接口


既然如此,那我们就开启爬虫的正确姿势吧,先用解析接口的方法来写爬虫。


首先,找到真实请求。右键检查,点击Network,选中XHR,刷新网页,选择Name列表中的jsp文件。没错,就这么简单,真实请求就藏在里面。



实战|Python轻松实现动态网页爬虫(附详细源码)


我们再仔细看看这个jsp,这简直是个宝啊。有真实请求url,有请求方法post,有Headers,还有Form Data,而From Data表示给url传递的参数,通过改变参数,咱们就可以获得数据!为了安全,我把自个Cookie打了个马赛克,机智的朋友也许发现了我顺带给自个打了个广告。


实战|Python轻松实现动态网页爬虫(附详细源码)


我们再仔细看看这些参数,pagesnum参数不就是代表页数嘛!王律师顿悟,原来他心心念念的翻页在这里!跨过千山万水终于找到你!我们尝试点击翻页,发现只有pagesnum参数会变化。


实战|Python轻松实现动态网页爬虫(附详细源码)


既然发现了它,那就赶紧抓住它。J哥以迅雷不及掩耳势打开PyCharm,导入了爬虫所需的库。


1from urllib.parse import urlencode
2import csv
3import random
4import requests
5import traceback
6from time import sleep
7from lxml import etree    #lxml为第三方网页解析库,强大且速度快


构造真实请求,添加Headers。这里J哥没有贴自己的User-Agent和Cookie,主要是一向胆小甚微的J哥害怕啊。


 1base_url = 'http://www.hshfy.sh.cn/shfy/gweb2017/ktgg_search_content.jsp?'  #这里要换成对应Ajax请求中的链接
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}


构建get_page函数,自变量为page,也就是页数。以字典类型创建表单data,用post方式去请求网页数据。这里要注意要对返回的数据解码,编码为'gbk',否则返回的数据会乱码!另外我还加了异常处理优化了下,以防意外发生。


 1def get_page(page):
2    n = 3
3    while True:
4        try:
5            sleep(random.uniform(12))  # 随机出现1-2之间的数,包含小数
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  # 解析内容
26            except requests.ConnectionError as e:
27                print('Error', e.args)  # 输出异常信息
28        except (TimeoutError, Exception):
29            n -= 1
30            if n == 0:
31                print('请求3次均失败,放弃此url请求,检查请求条件')
32                return
33            else:
34                print('请求失败,重新请求')
35                continue


构建parse_page函数,对返回的网页数据进行解析,用Xpath提取所有字段内容,保存为csv格式。有人会问为啥J哥这么喜欢用Xpath,因为简单好用啊!!!这么简单的网页结构搞个正则大法装x,J哥我做不到啊。


 1def parse_page(html):
2    try:
3        parse = etree.HTML(html)  # 解析网页
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'为追加模式(添加)
21                    # utf_8_sig格式导出csv不乱码
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 来输出详细的异常信息
27    except Exception:
28        print(traceback.print_exc())


最后,遍历一下页数,调用一下函数。OK,搞定!


1    for page in range(1,5):  #这里设置想要爬取的页数
2        html = get_page(page)
3        #print(html)
4        print("第" + str(page) + "页提取完成")


我们来看一下最终效果:


实战|Python轻松实现动态网页爬虫(附详细源码)



Selenium


好学的朋友可能还想看看Selenium是如何来爬AJAX动态加载网页的,J哥自然会满足你的好奇心。于是赶紧新建了一个py文件,准备趁势追击,用Selenium把这网站爬下来。


首先,把相关库导进来。


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驱动打开这个网站。


1def main():
2    # 爬取首页url
3    url = "http://www.hshfy.sh.cn/shfy/gweb2017/flws_list.jsp?ajlb=aYWpsYj3D8crCz"
4    # 定义谷歌webdriver
5    driver = webdriver.Chrome('./chromedriver')
6    driver.maximize_window()  # 将浏览器最大化
7    driver.get(url)


于是,惊喜的发现,报错了。J哥凭借着六级英语的词汇储量,居然看懂了!大概意思是我的驱动和浏览器的版本不匹配,只支持79版本的浏览器。


实战|Python轻松实现动态网页爬虫(附详细源码)


J哥很郁闷,因为我以前爬虫用Selenium没出现过这种问题啊。J哥不甘心,于是打开了谷歌浏览器看了下版本号。


实战|Python轻松实现动态网页爬虫(附详细源码)


我丢!都更新到81版本啦!既然这样,那就请好奇的小伙伴等J哥设置好浏览器自动更新、重新下载最新驱动后,下次再来听窝讲Selenium爬虫吧,记得关注此公众号,精彩不错过哦~




结 语



总结一下,对于AJAX动态加载网页爬虫,一般就两种方式:解析接口;Selenium。J哥推荐解析接口的方式,如果解析的是json数据,就更好爬了。实在没辙了再用Selenium吧

近期文章

tidytext | 耳目一新的R-style文本分析库
rpy2库 | 在jupyter中调用R语言代码
reticulate包 | 在Rmarkdown中调用Python代码
plydata库 | 数据操作管道操作符>>
plotnine: Python版的ggplot2作图库
七夕礼物 | 全网最火的钉子绕线图制作教程
读完本文你就了解什么是文本分析
文本分析在经管领域中的应用概述  
综述:文本分析在市场营销研究中的应用
plotnine: Python版的ggplot2作图库
小案例: Pandas的apply方法  
stylecloud:简洁易用的词云库 
用Python绘制近20年地方财政收入变迁史视频  
Wow~70G上市公司定期报告数据集
漂亮~pandas可以无缝衔接Bokeh  
YelpDaset: 酒店管理类数据集10+G  

PS:公众号后台回复"law"即可自动获取本项目完整代码啦~

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: