抓取Tmall商品,Ajax结果提取

By admin in 4858.com on 2019年4月6日

以和讯为例,接下去用Python来效仿这个Ajax请求,把笔者发过的新浪爬取下来。

芝麻HTTP:Ajax结果提取,芝麻ajax结果提取

以博客园为例,接下去用Python来模拟那一个Ajax请求,把自家发过的腾讯网爬取下来。

迎接关怀天善智能
hellobi.com,大家是专注于商业智能BI,大数额,数据解析世界的垂直社区,学习、问答、求职,一站式消除!

爬虫简介

 什么是爬虫?

爬虫:正是抓取网页数据的主次。

HTTP和HTTPS

HTTP协议(HyperText Transfer
Protocol,超文本传输协议):是一种公布和收取 HTML页面包车型客车艺术。

HTTPS(Hypertext Transfer Protocol over Secure Socket
Layer)简单讲是HTTP的安全版,在HTTP下参与SSL层。

SSL(Secure Sockets Layer
套套接层)主要用来Web的平安传输协议,在传输层对网络连接进行加密,保险在Internet上多少传输的安全。

浏览器发送HTTP请求的进度:

  1. 当用户在浏览器的地点栏中输入一个U福特ExplorerL并按回车键之后,浏览器会向HTTP服务器发送HTTP请求。HTTP请求首要分为“Get”和“Post”二种艺术。

  2. 当我们在浏览器输入U卡宴L  的时候,浏览器发送2个Request请求去取得  的html文件,服务器把Response文件对象发送回给浏览器。

  3. 浏览器分析Response中的
    HTML,发现其间引用了好多任何文件,比如Images文件,CSS文件,JS文件。
    浏览器会活动重新发送Request去拿到图片,CSS文件,或然JS文件。

  4. 当全数的文书都下载成功后,网页会依据HTML语法结构,完整的来得出来了。

URL(Uniform / Universal Resource
Locator的缩写)

概念:统壹能源定位符,是用来完整地描述Internet上网页和其余能源的地方的一种标识方法。

基本格式:scheme://host[:port#]/path/…/[?query-string][#anchor]

  • scheme:协议(例如:http, https, ftp)
  • host:服务器的IP地址也许域名
  • port#:服务器的端口(假诺是走协议暗中同意端口,缺省端口80)
  • path:访问能源的门道
  • query-string:参数,发送给http服务器的数量
  • anchor:锚(跳转到网页的钦点锚点地点)

抓取Tmall商品,Ajax结果提取。客户端HTTP请求

U翼虎L只是标识财富的职位,而HTTP是用来交付和获取能源。客户端发送四个HTTP请求到服务器的伸手音信,包蕴以下格式:

请求行请求头部空行请求数据

八个优良的HTTP请求

GET https://www.baidu.com/ HTTP/1.1
Host: www.baidu.com
Connection: keep-alive
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding: gzip, deflate, br
Accept-Language: zh,zh-CN;q=0.8,ar;q=0.6,zh-TW;q=0.4
Cookie: BAIDUID=AE4D1DA6B2D6689BB8C557B3436893E3:FG=1; BIDUPSID=AE4D1DA6B2D6689BB8C557B3436893E3; PSTM=1501466227; BD_UPN=12314353; BD_CK_SAM=1; PSINO=1; H_PS_PSSID=1420_25548_21080_20929; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BDSVRTM=0

4858.com 14858.com 2

1. Host (主机和端口号)

Host:对应网址URL中的Web名称和端口号,用于指定被请求资源的Internet主机和端口号,通常属于URL的一部分。
2. Connection (链接类型)

Connection:表示客户端与服务连接类型

    Client 发起一个包含 Connection:keep-alive 的请求,HTTP/1.1使用 keep-alive 为默认值。

    Server收到请求后:
        如果 Server 支持 keep-alive,回复一个包含 Connection:keep-alive 的响应,不关闭连接;
        如果 Server 不支持 keep-alive,回复一个包含 Connection:close 的响应,关闭连接。

    如果client收到包含 Connection:keep-alive 的响应,向同一个连接发送下一个请求,直到一方主动关闭连接。

keep-alive在很多情况下能够重用连接,减少资源消耗,缩短响应时间,比如当浏览器需要多个文件时(比如一个HTML文件和相关的图形文件),不需要每次都去请求建立连接。
3. Upgrade-Insecure-Requests (升级为HTTPS请求)

Upgrade-Insecure-Requests:升级不安全的请求,意思是会在加载 http 资源时自动替换成 https 请求,让浏览器不再显示https页面中的http请求警报。

HTTPS 是以安全为目标的 HTTP 通道,所以在 HTTPS 承载的页面上不允许出现 HTTP 请求,一旦出现就是提示或报错。
4. User-Agent (浏览器名称)

User-Agent:是客户浏览器的名称,以后会详细讲。
5. Accept (传输文件类型)

Accept:指浏览器或其他客户端可以接受的MIME(Multipurpose Internet Mail Extensions(多用途互联网邮件扩展))文件类型,服务器可以根据它判断并返回适当的文件格式。
举例:

Accept: */*:表示什么都可以接收。

Accept:image/gif:表明客户端希望接受GIF图像格式的资源;

Accept:text/html:表明客户端希望接受html文本。

Accept: text/html, application/xhtml+xml;q=0.9, image/*;q=0.8:表示浏览器支持的 MIME 类型分别是 html文本、xhtml和xml文档、所有的图像格式资源。

q是权重系数,范围 0 =< q <= 1,q 值越大,请求越倾向于获得其“;”之前的类型表示的内容。若没有指定q值,则默认为1,按从左到右排序顺序;若被赋值为0,则用于表示浏览器不接受此内容类型。

Text:用于标准化地表示的文本信息,文本消息可以是多种字符集和或者多种格式的;Application:用于传输应用程序数据或者二进制数据。详细请点击
6. Referer (页面跳转处)

Referer:表明产生请求的网页来自于哪个URL,用户是从该 Referer页面访问到当前请求的页面。这个属性可以用来跟踪Web请求来自哪个页面,是从什么网站来的等。

有时候遇到下载某网站图片,需要对应的referer,否则无法下载图片,那是因为人家做了防盗链,原理就是根据referer去判断是否是本网站的地址,如果不是,则拒绝,如果是,就可以下载;
7. Accept-Encoding(文件编解码格式)

Accept-Encoding:指出浏览器可以接受的编码方式。编码方式不同于文件格式,它是为了压缩文件并加速文件传递速度。浏览器在接收到Web响应之后先解码,然后再检查文件格式,许多情形下这可以减少大量的下载时间。
举例:Accept-Encoding:gzip;q=1.0, identity; q=0.5, *;q=0

如果有多个Encoding同时匹配, 按照q值顺序排列,本例中按顺序支持 gzip, identity压缩编码,支持gzip的浏览器会返回经过gzip编码的HTML页面。 如果请求消息中没有设置这个域服务器假定客户端对各种内容编码都可以接受。
8. Accept-Language(语言种类)

Accept-Langeuage:指出浏览器可以接受的语言种类,如en或en-us指英语,zh或者zh-cn指中文,当服务器能够提供一种以上的语言版本时要用到。
9. Accept-Charset(字符编码)

Accept-Charset:指出浏览器可以接受的字符编码。
举例:Accept-Charset:iso-8859-1,gb2312,utf-8

    ISO8859-1:通常叫做Latin-1。Latin-1包括了书写所有西方欧洲语言不可缺少的附加字符,英文浏览器的默认值是ISO-8859-1.
    gb2312:标准简体中文字符集;
    utf-8:UNICODE 的一种变长字符编码,可以解决多种语言文本显示问题,从而实现应用国际化和本地化。

如果在请求消息中没有设置这个域,缺省是任何字符集都可以接受。
10. Cookie (Cookie)

Cookie:浏览器用这个属性向服务器发送Cookie。Cookie是在浏览器中寄存的小型数据体,它可以记载和服务器相关的用户信息,也可以用来实现会话功能,以后会详细讲。
11. Content-Type (POST数据类型)

Content-Type:POST请求里用来表示的内容类型。
举例:Content-Type = Text/XML; charset=gb2312:

指明该请求的消息体中包含的是纯文本的XML类型的数据,字符编码采用“gb2312”。

常用请求报头

4858.com 34858.com 4

服务器和客户端的交互仅限于请求/响应过程,结束之后便断开,在下一次请求时,服务器会认为新的客户端。

为了维护他们之间的链接,让服务器知道这是前一个用户发送的请求,必须在一个地方保存客户端的信息。

Cookie:通过在 客户端 记录的信息确定用户的身份。

Session:通过在 服务器端 记录的信息确定用户的身份。

cookie和session

HTTP请求方法

序号   方法      描述
1     GET       请求指定的页面信息,并返回实体主体。
2     HEAD      类似于get请求,只不过返回的响应中没有具体的内容,用于获取报头
3     POST      向指定资源提交数据进行处理请求(例如提交表单或者上传文件),数据被包含在请求体中。POST请求可能会导致新的资源的建立和/或已有资源的修改。
4     PUT       从客户端向服务器传送的数据取代指定的文档的内容。
5     DELETE    请求服务器删除指定的页面。
6     CONNECT   HTTP/1.1协议中预留给能够将连接改为管道方式的代理服务器。
7     OPTIONS   允许客户端查看服务器的性能。
8     TRACE     回显服务器收到的请求,主要用于测试或诊断。

首要方式get和post请求

  • GET是从服务器上获取数据,POST是向服务器传送数据

  • GET请求参数展现,都展现在浏览器网站上,HTTP服务器根据该请求所蕴含UXC60L中的参数来发生响应内容,即“Get”请求的参数是U奥德赛L的1有个别。
    例如: http://www.baidu.com/s?wd=Chinese

  • POST请求参数在请求体个中,信息长度未有限制而且以隐式的主意举办发送,平时用来向HTTP服务器提交量比较大的多少(比如请求中涵盖众多参数可能文件上传操作等),请求的参数包涵在“Content-Type”新闻头里,指明该新闻体的传播媒介类型和编码.

HTTP响应状态码

4858.com 54858.com 6

1xx:信息

100 Continue
服务器仅接收到部分请求,但是一旦服务器并没有拒绝该请求,客户端应该继续发送其余的请求。
101 Switching Protocols
服务器转换协议:服务器将遵从客户的请求转换到另外一种协议。



2xx:成功

200 OK
请求成功(其后是对GET和POST请求的应答文档)
201 Created
请求被创建完成,同时新的资源被创建。
202 Accepted
供处理的请求已被接受,但是处理未完成。
203 Non-authoritative Information
文档已经正常地返回,但一些应答头可能不正确,因为使用的是文档的拷贝。
204 No Content
没有新文档。浏览器应该继续显示原来的文档。如果用户定期地刷新页面,而Servlet可以确定用户文档足够新,这个状态代码是很有用的。
205 Reset Content
没有新文档。但浏览器应该重置它所显示的内容。用来强制浏览器清除表单输入内容。
206 Partial Content
客户发送了一个带有Range头的GET请求,服务器完成了它。



3xx:重定向

300 Multiple Choices
多重选择。链接列表。用户可以选择某链接到达目的地。最多允许五个地址。
301 Moved Permanently
所请求的页面已经转移至新的url。
302 Moved Temporarily
所请求的页面已经临时转移至新的url。
303 See Other
所请求的页面可在别的url下被找到。
304 Not Modified
未按预期修改文档。客户端有缓冲的文档并发出了一个条件性的请求(一般是提供If-Modified-Since头表示客户只想比指定日期更新的文档)。服务器告诉客户,原来缓冲的文档还可以继续使用。
305 Use Proxy
客户请求的文档应该通过Location头所指明的代理服务器提取。
306 Unused
此代码被用于前一版本。目前已不再使用,但是代码依然被保留。
307 Temporary Redirect
被请求的页面已经临时移至新的url。



4xx:客户端错误

400 Bad Request
服务器未能理解请求。
401 Unauthorized
被请求的页面需要用户名和密码。
401.1
登录失败。
401.2
服务器配置导致登录失败。
401.3
由于 ACL 对资源的限制而未获得授权。
401.4
筛选器授权失败。
401.5
ISAPI/CGI 应用程序授权失败。
401.7
访问被 Web 服务器上的 URL 授权策略拒绝。这个错误代码为 IIS 6.0 所专用。
402 Payment Required
此代码尚无法使用。
403 Forbidden
对被请求页面的访问被禁止。
403.1
执行访问被禁止。
403.2
读访问被禁止。
403.3
写访问被禁止。
403.4
要求 SSL。
403.5
要求 SSL 128。
403.6
IP 地址被拒绝。
403.7
要求客户端证书。
403.8
站点访问被拒绝。
403.9
用户数过多。
403.10
配置无效。
403.11
密码更改。
403.12
拒绝访问映射表。
403.13
客户端证书被吊销。
403.14
拒绝目录列表。
403.15
超出客户端访问许可。
403.16
客户端证书不受信任或无效。
403.17
客户端证书已过期或尚未生效。
403.18
在当前的应用程序池中不能执行所请求的 URL。这个错误代码为 IIS 6.0 所专用。
403.19
不能为这个应用程序池中的客户端执行 CGI。这个错误代码为 IIS 6.0 所专用。
403.20
Passport 登录失败。这个错误代码为 IIS 6.0 所专用。
404 Not Found
服务器无法找到被请求的页面。
404.0
没有找到文件或目录。
404.1
无法在所请求的端口上访问 Web 站点。
404.2
Web 服务扩展锁定策略阻止本请求。
404.3
MIME 映射策略阻止本请求。
405 Method Not Allowed
请求中指定的方法不被允许。
406 Not Acceptable
服务器生成的响应无法被客户端所接受。
407 Proxy Authentication Required
用户必须首先使用代理服务器进行验证,这样请求才会被处理。
408 Request Timeout
请求超出了服务器的等待时间。
409 Conflict
由于冲突,请求无法被完成。
410 Gone
被请求的页面不可用。
411 Length Required
"Content-Length" 未被定义。如果无此内容,服务器不会接受请求。
412 Precondition Failed
请求中的前提条件被服务器评估为失败。
413 Request Entity Too Large
由于所请求的实体的太大,服务器不会接受请求。
414 Request-url Too Long
由于url太长,服务器不会接受请求。当post请求被转换为带有很长的查询信息的get请求时,就会发生这种情况。
415 Unsupported Media Type
由于媒介类型不被支持,服务器不会接受请求。
416 Requested Range Not Satisfiable
服务器不能满足客户在请求中指定的Range头。
417 Expectation Failed
执行失败。
423
锁定的错误。



5xx:服务器错误

500 Internal Server Error
请求未完成。服务器遇到不可预知的情况。
500.12
应用程序正忙于在 Web 服务器上重新启动。
500.13
Web 服务器太忙。
500.15
不允许直接请求 Global.asa。
500.16
UNC 授权凭据不正确。这个错误代码为 IIS 6.0 所专用。
500.18
URL 授权存储不能打开。这个错误代码为 IIS 6.0 所专用。
500.100
内部 ASP 错误。
501 Not Implemented
请求未完成。服务器不支持所请求的功能。
502 Bad Gateway
请求未完成。服务器从上游服务器收到一个无效的响应。
502.1
CGI 应用程序超时。 ·
502.2
CGI 应用程序出错。
503 Service Unavailable
请求未完成。服务器临时过载或当机。
504 Gateway Timeout
网关超时。
505 HTTP Version Not Supported
服务器不支持请求中指明的HTTP协议版本

View Code

浏览器内核

浏览器                         内核
IE                           Trident
Chrome                       Webkit
Firefox                      Gecho
Opera                        Pesto
Safari(Apple)                Webkit 

HTTP代理工科具Fiddler
Fiddler是一款强大Web调节和测试工具,它能记录全体客户端和服务器的HTTP请求.
4858.com 7

Request部分详解

  1. Headers —— 突显客户端发送到服务器的 HTTP 请求的
    header,突显为贰个独家视图,包涵了 Web
    客户端新闻、Cookie、传输状态等。
  2. Textview —— 呈现 POST 请求的 body 部分为文本。
  3. WebForms —— 呈现请求的 GET 参数 和 POST body 内容。
  4. HexView —— 用十陆进制数据显示请求。
  5. Auth —— 展现响应 header 中的 Proxy-Authorization(代理身份验证) 和
    Authorization(授权) 新闻.
  6. Raw —— 将整个请求显示为纯文本。
  7. JSON – 展现JSON格式文件。
  8. XML —— 假若请求的 body 是 XML 格式,正是用各自的 XML 树来体现它。

 Responser部分详解

  1. Transformer —— 显示响应的编码音信。
  2. Headers —— 用分级视图彰显响应的 header。
  3. TextView —— 使用文本显示相应的 body。
  4. ImageVies —— 假若请求是图形能源,显示响应的图形。
  5. HexView —— 用十陆进制数据呈现响应。
  6. WebView —— 响应在 Web 浏览器中的预览效果。
  7. Auth —— 显示响应 header 中的 Proxy-Authorization(代理身份验证) 和
    Authorization(授权) 信息。
  8. Caching —— 展现此呼吁的缓存音讯。
  9. Privacy —— 突显此呼吁的私密 (P三P) 音信。
  10. Raw —— 将整个响应显示为纯文本。
  11. JSON – 展现JSON格式文件。
  12. XML —— 若是响应的 body 是 XML 格式,正是用各自的 XML 树来展现它 。

 理解了那几个知识后,接下去真正迈向爬虫之路…….

一. 分析请求

打开Ajax的XH奥迪Q7过滤器,然后直接滑动页面以加载新的今日头条内容。能够见到,会不停有Ajax请求发出。

选定个中三个呼吁,分析它的参数新闻。点击该请求,进入详情页面,如图6-1一所示。

4858.com 8

能够发现,那是二个GET类型的呼吁,请求链接为[

继之再看看其余请求,能够发现,它们的typevaluecontainerid百折不挠。type始终为uidvalue的值正是页面链接中的数字,其实那就是用户的id。另外,还有containerid。能够发现,它正是十7603抬高用户id。改变的值正是page,很明朗那一个参数是用来支配分页的,page=1意味着首先页,page=2表示第1页,以此类推。

一. 解析请求

打开Ajax的XHLacrosse过滤器,然后直接滑动页面以加载新的天涯论坛内容。能够看看,会持续有Ajax请求发出。

选定当中二个呼吁,分析它的参数信息。点击该请求,进入详情页面,如图陆-11所示。

4858.com 9

能够窥见,那是四个GET类型的央求,请求链接为[

随着再看看其余请求,可以窥见,它们的typevaluecontainerid慎始而敬终。type始终为uidvalue的值正是页面链接中的数字,其实那正是用户的id。另外,还有containerid。能够窥见,它就是107603增加用户id。改变的值便是page,很肯定那些参数是用来控制分页的,page=1代表首先页,page=2意味着第二页,以此类推。

对生意智能BI、大数目解析挖掘、机器学习,python,酷威等数码领域感兴趣的同班加微信:tstoutiao,约请您进去数据爱好者调换群,数据爱好者们都在那时。

urllib2

所谓网页抓取,正是把UPRADOL地址中钦命的网络财富从网络流中读取出来,保存到本地。
在Python中有好多库能够用来抓取网页,先读书urllib2

urllib2模块直接导入就能够用,在python3中urllib2被改为urllib.request

起来爬虫须求预备的1部分工具

(1)下载Fiddeler抓包工具,百度间接下载安装就能够(抓包)

(二)下载chrome浏览器代理插件 Proxy-SwitchyOmega(代理)

(三)下载chrome浏览器插件XPath(解析HTML)

(4)工具网址:

          
(json解析网址)

      
    (url编码解码网站)

先写个简易的爬虫百度页面

urlopen

# _*_ coding:utf-8 _*_
import urllib2

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen('http://www.baidu.com/')
#服务器返回的类文件对象支持python文件对象的操作方法
#read()方法就是读取文件里的全部内容,返回字符串
html = response.read()
print html

urllib贰暗中同意的User-Agent是Python-urllib/贰.七,不难被检查到是爬虫,所以大家要结构一个请求对象,要用到request方法。

萧规曹随浏览器访问

浏览器访问时通过抓包工具获得的headers新闻如下:

GET https://www.baidu.com/ HTTP/1.1
Host: www.baidu.com
Connection: keep-alive
Cache-Control: max-age=0
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding: gzip, deflate, br
Accept-Language: zh,zh-CN;q=0.8,ar;q=0.6,zh-TW;q=0.4
Cookie: BAIDUID=AE4D1DA6B2D6689BB8C557B3436893E3:FG=1; BIDUPSID=AE4D1DA6B2D6689BB8C557B3436893E3; PSTM=1501466227; BD_CK_SAM=1; PSINO=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BD_HOME=0; H_PS_PSSID=1420_25548_21080_20929; BD_UPN=12314353

大家要安装User-Agent模仿浏览器去拜访数据

# _*_ coding:utf-8 _*_
import urllib2

# User-Agent是爬虫与反爬虫的第一步
ua_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
# 通过urllib2.Request()方法构造一个请求对象
request = urllib2.Request('http://www.baidu.com/',headers=ua_headers)

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen(request)

# 服务器返回的类文件对象支持python文件对象的操作方法
# read()方法就是读取文件里的全部内容,返回字符串
html = response.read()

print html

Request总共八个参数,除了必供给有url参数,还有下边多个:

  1. data(暗中认可空):是陪伴 url 提交的数码(比如要post的数额),同时 HTTP
    请求将从 “GET”格局 改为 “POST”格局。

  2. headers(暗中同意空):是贰个字典,包涵了特需发送的HTTP报头的键值对。

response的常用方法

# _*_ coding:utf-8 _*_
import urllib2

# User-Agent是爬虫与反爬虫的第一步
ua_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
# 通过urllib2.Request()方法构造一个请求对象
request = urllib2.Request('http://www.baidu.com/',headers=ua_headers)

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen(request)

# 服务器返回的类文件对象支持python文件对象的操作方法
# read()方法就是读取文件里的全部内容,返回字符串
html = response.read()

# 返回HTTP的响应吗,成功返回200,4服务器页面出错,5服务器问题
print response.getcode()     #200

# 返回数据的实际url,防止重定向
print response.geturl()     #https://www.baidu.com/

# 返回服务器响应的HTTP报头
print response.info()

# print html

轻易挑选四个Use-Agent

为了幸免封IP,先生成3个user-agent列表,然后从中随机采取一个

# _*_ coding:utf-8 _*_
import urllib2
import random

url = 'http:/www.baidu.com/'

# 可以试User-Agent列表,也可以是代理列表
ua_list = ["Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
    "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
    "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]

# 在User-Agent列表中随机选择一个User-Agent
user_agent = random.choice(ua_list)

# 构造一个请求
request = urllib2.Request(url)

# add_header()方法添加/修改一个HTTP报头
request.add_header('User-Agent',user_agent)

#get_header()获取一个已有的HTTP报头的值,注意只能第一个字母大写,后面的要小写
print request.get_header('User-agent')

二. 分析响应

继之,观望这么些请求的响应内容,如图陆-12所示。

4858.com 10

其壹剧情是JSON格式的,浏览器开发者工具自动做了剖析以福利大家查阅。能够看来,最重视的两有个别消息正是cardlistInfocards:前者带有3个相比关键的音讯total,观察后能够发现,它实在是今日头条的总数据,大家得以依照这些数字来猜测分页数;后者则是三个列表,它含有十个因素,展开内部三个看一下,如图所示。

4858.com 11

能够窥见,那些成分有一个相比较首要的字段mblog。展开它,能够窥见它涵盖的就是果壳网的有个别信息,比如attitudes_count(赞数目)、comments_count(评论数目)、reposts_count(转载数量)、created_at(发表时间)、text(和讯正文)等,而且它们都是某些格式化的始末。

诸如此类大家呼吁四个接口,就足以获取十条博客园,而且请求时只供给改变page参数即可。

这样的话,大家只供给不难做1个巡回,就足以博得具有天涯论坛了。

贰. 剖析响应

随后,观望这几个请求的响应内容,如图陆-1贰所示。

4858.com 12

本条剧情是JSON格式的,浏览器开发者工具自动做了然析以有益大家查阅。能够见到,最根本的两局地消息便是cardlistInfocards:前者带有2个比较首要的音信total,观看后得以窥见,它事实上是博客园的总数据,大家得以依照那个数字来估计分页数;后者则是3个列表,它包括拾个要素,展开内部多个看一下,如图所示。

4858.com 13

能够窥见,这几个成分有2个相比重大的字段mblog。展开它,能够发现它包括的就是博客园的一些消息,比如attitudes_count(赞数目)、comments_count(评论数目)、reposts_count(转载数量)、created_at(发表时间)、text(搜狐正文)等,而且它们都是一些格式化的内容。

如此大家呼吁贰个接口,就足以博得10条和讯,而且请求时只供给变更page参数即可。

这样的话,我们只必要简单做3个巡回,就足以获得具有博客园了。

咱俩得以尝尝分析Ajax来抓取了有关数据,不过并不是拥有的页面都以足以分析Ajax来就足以成功抓取的,比如Taobao。它的一切页面数据确实也是因而Ajax获取的,但是那个Ajax接口参数比较复杂,恐怕会蕴藏加密密钥等参数,所以大家只要想本身协会Ajax参数是比较劳顿的,对于那种页面大家最方便火速的抓取方法正是因而Selenium,本节大家就来用Selenium来模拟浏览器操作,抓取天猫的商品音信,并将结果保存到MongoDB。

urllib和urllib贰的机要差别

 urllib和urllib二都以承受U昂科拉L请求的相干模块,可是提供了区别的功用,最鲜明的差别如下:

(壹)urllib仅尚可U奥迪Q3L,无法创制,设置headers的request类实例;

(二)不过urllib提供urlencode()方法用来GET查询字符串的发出,而urllib二则从未(那是urllib和urllib二平常1同使用的重要缘由)

(3)编码工作选取urllib的urlencode()函数,帮大家讲key:value那样的键值对转换到‘key=value’那样的字符串,解码工作能够应用urllib的unquote()

函数

 urllib.encode()的使用

urlencode()里面必须是字典类型

# _*_ coding:utf-8 _*_
import urllib

dic = {'derek':'编码'}
print urllib.urlencode(dic)    #derek=%E7%BC%96%E7%A0%81

m = urllib.urlencode(dic)

print urllib.unquote(m)         #derek=编码

三. 实战练习

此处大家用程序模拟这几个Ajax请求,将自个儿的前10页天涯论坛全体爬取下来。

先是,定义八个情势来获取每一回请求的结果。在乞请时,page是1个可变参数,所以我们将它看作艺术的参数字传送递进来,相关代码如下:

from urllib.parse import urlencode
import requests
base_url = 'https://m.weibo.cn/api/container/getIndex?'

headers = {
    'Host': 'm.weibo.cn',
    'Referer': 'https://m.weibo.cn/u/2830678474',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest',
}

def get_page(page):
    params = {
        'type': 'uid',
        'value': '2830678474',
        'containerid': '1076032830678474',
        'page': page
    }
    url = base_url + urlencode(params)
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.json()
    except requests.ConnectionError as e:
        print('Error', e.args)

第一,那里定义了base_url来代表请求的UCR-VL的前半局地。接下来,构造参数字典,其中typevaluecontainerid是固定参数,page是可变参数。接下来,调用urlencode()艺术将参数转化为U瑞鹰L的GET请求参数,即类似于type=uid&value=2830678474&containerid=1076032830678474&page=2这样的款式。随后,base_url与参数拼合形成3个新的U汉兰达L。接着,大家用requests请求那几个链接,参加headers参数。然后判断响应的状态码,假设是200,则直接调用json()艺术将内容分析为JSON重回,否则不回去任何消息。假诺出现相当,则捕获并出口其卓殊音信。

随着,大家须要定义叁个剖析方法,用来从结果中领到想要的音讯,比如这一次想保留腾讯网的id、正文、赞数、评论数和转载数那多少个内容,那么能够先遍历cards,然后拿走mblog中的各样音信,赋值为四个新的字典重临即可:

from pyquery import PyQuery as pq

def parse_page(json):
    if json:
        items = json.get('data').get('cards')
        for item in items:
            item = item.get('mblog')
            weibo = {}
            weibo['id'] = item.get('id')
            weibo['text'] = pq(item.get('text')).text()
            weibo['attitudes'] = item.get('attitudes_count')
            weibo['comments'] = item.get('comments_count')
            weibo['reposts'] = item.get('reposts_count')
            yield weibo

那里大家赖以pyquery将正文中的HTML标签去掉。

终极,遍历一下page,1共10页,将领到到的结果打字与印刷输出即可:

if __name__ == '__main__':
    for page in range(1, 11):
        json = get_page(page)
        results = parse_page(json)
        for result in results:
            print(result)

别的,我们还能加一个办法将结果保存到MongoDB数据库:

from pymongo import MongoClient

client = MongoClient()
db = client['weibo']
collection = db['weibo']

def save_to_mongo(result):
    if collection.insert(result):
        print('Saved to Mongo')

如此那般具有功能就贯彻到位了。运转程序后,样例输出结果如下:

{'id': '4134879836735238', 'text': '惊不惊喜,刺不刺激,意不意外,感不感动', 'attitudes': 3, 'comments': 1, 'reposts': 0}
Saved to Mongo
{'id': '4143853554221385', 'text': '曾经梦想仗剑走天涯,后来过安检给收走了。分享单曲 远走高飞', 'attitudes': 5, 'comments': 1, 'reposts': 0}
Saved to Mongo

查看一下MongoDB,相应的数额也被保留到MongoDB,如图所示。

4858.com 14

那般,大家就万事大吉通过分析Ajax并编辑爬虫爬取下来了天涯论坛列表,最后,给出本节的代码地址:。

本节的目标是为着演示Ajax的模仿请求进程,爬取的结果不是重点。该程序仍有为数不少年足球以圆满的地点,如页码的动态计算、乐乎查看全文等,若感兴趣,能够尝尝一下。

由此这些实例,大家首要学会了怎么着去分析Ajax请求,怎么样用程序来模拟抓取Ajax请求。理解了抓取原理之后,下一节的Ajax实战练习会越发一箭穿心。

三. 实战演习

那边大家用程序模拟那个Ajax请求,将自家的前10页微博全体爬取下来。

先是,定义多个主意来博取每一遍请求的结果。在恳求时,page是1个可变参数,所以大家将它当做艺术的参数字传送递进来,相关代码如下:

from urllib.parse import urlencode
import requests
base_url = 'https://m.weibo.cn/api/container/getIndex?'

headers = {
    'Host': 'm.weibo.cn',
    'Referer': 'https://m.weibo.cn/u/2830678474',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest',
}

def get_page(page):
    params = {
        'type': 'uid',
        'value': '2830678474',
        'containerid': '1076032830678474',
        'page': page
    }
    url = base_url + urlencode(params)
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.json()
    except requests.ConnectionError as e:
        print('Error', e.args)

先是,这里定义了base_url来代表请求的UWranglerL的前半部分。接下来,构造参数字典,在那之中typevaluecontainerid是一贯参数,page是可变参数。接下来,调用urlencode()方法将参数转化为U奥迪Q五L的GET请求参数,即类似于type=uid&value=2830678474&containerid=1076032830678474&page=2如此那般的样式。随后,base_url与参数拼合形成一个新的UENVISIONL。接着,大家用requests请求这一个链接,参预headers参数。然后判断响应的状态码,借使是200,则直接调用json()方法将内容分析为JSON重返,不然不回去任何消息。假如出现格外,则捕获并出口其十分信息。

随即,大家供给定义二个分析方法,用来从结果中提取想要的信息,比如此番想保留今日头条的id、正文、赞数、评论数和转载数那多少个内容,那么能够先遍历cards,然后拿走mblog中的各类音信,赋值为1个新的字典再次来到即可:

from pyquery import PyQuery as pq

def parse_page(json):
    if json:
        items = json.get('data').get('cards')
        for item in items:
            item = item.get('mblog')
            weibo = {}
            weibo['id'] = item.get('id')
            weibo['text'] = pq(item.get('text')).text()
            weibo['attitudes'] = item.get('attitudes_count')
            weibo['comments'] = item.get('comments_count')
            weibo['reposts'] = item.get('reposts_count')
            yield weibo

此地大家依靠pyquery将正文中的HTML标签去掉。

聊起底,遍历一下page,一共拾页,将领到到的结果打字与印刷输出即可:

if __name__ == '__main__':
    for page in range(1, 11):
        json = get_page(page)
        results = parse_page(json)
        for result in results:
            print(result)

除此以外,我们仍是可以够加三个措施将结果保存到MongoDB数据库:

from pymongo import MongoClient

client = MongoClient()
db = client['weibo']
collection = db['weibo']

def save_to_mongo(result):
    if collection.insert(result):
        print('Saved to Mongo')

这样全数功效就贯彻到位了。运转程序后,样例输出结果如下:

{'id': '4134879836735238', 'text': '惊不惊喜,刺不刺激,意不意外,感不感动', 'attitudes': 3, 'comments': 1, 'reposts': 0}
Saved to Mongo
{'id': '4143853554221385', 'text': '曾经梦想仗剑走天涯,后来过安检给收走了。分享单曲 远走高飞', 'attitudes': 5, 'comments': 1, 'reposts': 0}
Saved to Mongo

翻开一下MongoDB,相应的多少也被保留到MongoDB,如图所示。

4858.com 15

这么,我们就万事大吉通过分析Ajax并编辑爬虫爬取下来了新浪列表,最终,给出本节的代码地址:

本节的目标是为着演示Ajax的效仿请求进程,爬取的结果不是主要。该程序仍有好多足以健全的地点,如页码的动态计算、博客园查看全文等,若感兴趣,可以品尝一下。

通过这一个实例,大家重点学会了何等去分析Ajax请求,怎么样用程序来效仿抓取Ajax请求。理解了抓取原理之后,下壹节的Ajax实战演习会特别百发百中。

以今日头条为例,接下去用Python来模拟那个Ajax请求,把自身发过的今日头条爬取下来。

  1. 浅析请求 打开Aj…

接口分析

一般HTTP请求提交数据,须要编码成 U奥迪Q7L编码格式,然后做为url的1有些,或然当作参数字传送到Request对象中。

GET请求1般用来大家向服务器获取数据,比如说,我们用百度找寻知乎

发现GET

4858.com 16

 

 

4858.com 17

4858.com 18

用urllib.urlencode()进行转码,然后组合url

# _*_ coding:utf-8 _*_
import urllib,urllib2

url = 'http://www.baidu.com/s'
headers = {'UserAgent':'Mozilla'}
keyword = raw_input('请输入关键字:')
wd = urllib.urlencode({'wd':keyword})
fullurl = url + '?' + wd
print fullurl
request = urllib2.Request(fullurl,headers=headers)
response = urllib2.urlopen(request)
print response.read()

接下来输加入关贸总协定组织键字,爬取下相应的始末

4858.com 19

 4858.com 20

先是大家来看下天猫商城的接口,看看它的接口相比壹般Ajax多了何等的内容。

爬取贴吧内容

 先精通贴吧url组成:

4858.com 21

各样贴吧url都以以’ kw=‘’贴吧名字‘’,再后边是 &pn=页数
 (pn=0第壹页,pn=④十五回之页,依次类推)

一.先写一个main,提示用户输入要爬取的贴吧名,并用urllib.urlencode()实行转码,然后组合url

二.接下来,写2个百度贴吧爬虫接口tiebaSpider(),供给传递三个参数给这一个接口,
二个是main里组合的url地址,以及开始页码和甘休页码,表示要爬取页码的限量。

叁.近年来写出3个爬取1个网页的代码。然后,将它封装成二个小函数loadPage(),供我们选择。

4.将爬取到的每页的新闻存储在地点磁盘上,大家能够省略写三个储存文件的接口writePage()

# _*_ coding:utf-8 _*_
import urllib,urllib2

def loadPage(url,filename):
    #根据url发送请求,获取服务器响应文件
    print '正在下载' + filename
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
    request = urllib2.Request(url,headers = headers)
    content = urllib2.urlopen(request).read()
    return content
def writePage(html,filename):
    #将html内容写入到本地
    print '正在保存' + filename
    with open(unicode(filename,'utf-8'),'w') as f:
        f.write(html)
    print '_' * 30

def tiebaSpider(url,beginPage,endPage):
    #贴吧爬虫调度器,负责组合处理每个页面的url
    for page in range(beginPage,endPage + 1):
        pn = (page - 1) * 50
        filename = '第' + str(page) + '页.html'
        fullurl = url + '&pn=' + str(pn)
        # print fullurl
        html = loadPage(fullurl,filename)
        writePage(html,filename)

if __name__ == '__main__':
    kw = raw_input('请输入贴吧名:')
    beginPage = int(raw_input('请输入起始页:'))
    endPage = int(raw_input('请输入结束页:'))

    url = 'https://tieba.baidu.com/f?'
    key = urllib.urlencode({'kw':kw})
    fullurl = url + key
    tiebaSpider(fullurl,beginPage,endPage)

由此输入想要搜索的贴吧名字,爬取内容并保存到本地

4858.com 22

打开天猫商城页面,搜索3个货物,比如surface,此时开拓开发者工具,截获Ajax请求,我们得以窥见会获取商品列表的接口。

 获取Ajax情势加载的数额

爬虫最须要关切的不是页面消息,而是页面消息的数量来源

Ajax方式加载的页面,数据出自一定是JSON,直接对AJAX地址进行post或get,得到JSON,正是得到了网页数据,

(一)先经过浏览器访问豆瓣电影排行榜

 4858.com 23

(贰)浏览器访问后,通过抓包工具就足以拿走大家想要的一些新闻

 4858.com 24

4858.com 25

万一response里面有
JSON数据,我们就足以找到服务器的数目出自

剖析发现变动的是start value和limit value,
type,interval_id,action,固定不变,那七个url中早就包罗了,所以formdata只用传start和limit

import urllib
import urllib2


url = 'https://movie.douban.com/typerank?type_name=%E5%89%A7%E6%83%85&type=11&interval_id=100:90&action='
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}

# start和limit可以自己随便设置
formdata = {'start':'20','limit':'100'}

data = urllib.urlencode(formdata)
request = urllib2.Request(url,data = data,headers=headers)

response = urllib2.urlopen(request)
print response.read()

 

4858.com 26

它的链接包括了多少个GET参数,假设我们要想协会Ajax链接直接呼吁再好可是了,它的回到内容是Json格式。

4858.com 27

只是这一个Ajax接口包涵了多少个参数,在这之中_ksTS、rn参数不可能一贯发现其规律,即使我们要去找寻它的更动规律也不是做不到,但这么相对会相比麻烦,所以一旦大家一向用Selenium来模拟浏览器的话就不要求再关怀这么些接口参数了,只要在浏览器里面可以见见的大家都得以爬取。这也是怎么大家采纳Selenium爬取Taobao的来由。

页面分析

咱俩本节的目的是爬取商品新闻,例如:

4858.com 28

那般的3个结出就富含了2个货物的大旨消息,包含商品图片、名称、价格、购买人数、店铺名称、店铺所在地,大家要做的正是将这个音讯都抓取下来。

抓取入口正是天猫商城的摸索页面,那几个链接是足以一贯组织参数访问的,例如假诺搜索三星GALAXY Tab,就足以一贯访问

4858.com 29

比方想要分页的话,大家注意到在页面下方有三个分页导航,包蕴前伍页的链接,也包括下1页的链接,同时还有二个输入随机页码跳转的链接,如图所示:

4858.com 30

在那里商品搜索结果一般最大都为100页,我们要收获的每一页的剧情,只需求将页码从壹到100梯次遍历即可,页码数是规定的。所以在此间大家能够平昔在页面跳转文本框中输入要跳转的页码,然后点击显著按钮跳转即可到达页码页码对应的页面。

在此地我们不直接点击下一页的来由是,一旦爬取进度中出现至极退出,比如到了50页退出了,大家即使点击下壹页就不能连忙切换来对应的继承页面,而且爬取进度中大家也急需记录当前的页码数,而且假使点击下一页之后页面加载失败,我们还索要做足够检查评定检验当前页面是加载到了第几页,因此总体育工作艺流程相对复杂,所以在那边大家间接接纳跳页的秘诀来爬取页面。

当大家成功加载出某一页商品列表时,利用Selenium即可获得页面源代码,然后大家再用相应的解析库解析即可,在那里大家选取PyQuery举办分析。

代码实战

下边大家用代码来完毕一下全勤抓取过程。

获取商品列表

首先大家须要协会贰个抓取的U中华VL,

结构出U途观L之后大家就须要用Selenium进行抓取了,大家兑现如下抓取列表页的法门:

from selenium import webdriver from selenium.common.exceptions import
TimeoutExceptionfrom selenium.webdriver.common.by import By from
selenium.webdriver.support importexpected_conditions as EC from
selenium.webdriver.support.wait import WebDriverWaitfrom urllib.parse
import quote browser = webdriver.Chrome() wait = WebDriverWait(browser,
10) KEYWORD = ‘iPad’defindex_page(page):””” 抓取索引页 :param page:
页码 “”” print( ‘正在爬取第’, page, ‘页’) try: url =
” + quote(KEYWORD) browser.get(url) if
page > 1: input = wait.until(
EC.presence_of_element_located((By.CSS_SELECTOR, ‘#mainsrp-pager
div.form > input’))) submit = wait.until(
EC.element_to_be_clickable((By.CSS_SELECTOR, ‘#mainsrp-pager
div.form > span.btn.J_Submit’))) input.clear()
input.send_keys(page) submit.click() wait.until(
EC.text_to_be_present_in_element((By.CSS_SELECTOR,
‘#mainsrp-pager li.item.active > span’), str(page)))
wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,
‘.m-itemlist .items .item’))) get_products() except TimeoutException:
index_page(page)

在此地大家率先构造了三个WebDriver对象,使用的浏览器是Chrome,然后钦赐八个首要词,如surface,然后大家定义了二个get_index()方法,用于抓取商品列表页。

在该办法里我们第3访问了那么些链接,然后判断了现阶段的页码,假若过量一,那就举办跳页操作,不然等待页面加载成功。

等候加载大家使用了WebDriverWait对象,它能够钦定等待条件,同时钦命1个最长等待时间,在那边内定为最长10秒。假诺在这些时刻内成功相称了守候条件,也正是说页面成分成功加载出来了,这就应声回到相应结果并持续向下实施,不然到了最大等待时间还未有加载出来就径直抛出超时万分。

比如说我们最后要等待商品消息加载出来,在那边就钦点了presence_of_element_located那些规格,然后传入了
.m-itemlist .items .item
这些选取器,而那么些选拔器对应的页面内容正是每一种商品的音信块,能够到网页里面查看一下。假若加载成功,就会履行后续的get_products()方法,提取商品音信。

有关翻页的操作,大家在此处是第3获得了页码输入框,赋值为input,然后拿走了提交按钮,赋值为submit,分别是下图中的多个要素:

4858.com 31

首先大家清空了输入框,调用clear()方法即可,随后调用send_keys()方法将页码填充到输入框中,然后点击明确按钮即可。

那么怎么着精晓有未有跳转到对应的页码呢?我们得以小心到成功跳转某1页后页码都会高亮展现:

4858.com 32

我们只必要判定当前高亮的页码数是当下的页码数即可,所以在此处运用了另一个等候条件
text_to_be_present_in_element,它会等待某一文件出现在某3个节点里面即再次回到成功,在那边我们将高亮的页码节点对应的CSS选拔器和当前要跳转的页码通过参数字传送递给这么些等待条件,这样它就会检验当前高亮的页码节点里是否大家传过来的页码数,要是是,那就证实页面成功跳转到了那一页,页面跳转成功。

那就是说这么,刚才我们所完毕的get_index()方法就足以做到传入对应的页码,然后加载出相应页码的货物列表后,再去调用get_products()方法开展页面解析。

剖析商品列表

接下去大家就足以兑现get_products()方法来分析商品列表了,在那里大家一直拿走页面源代码,然后用PyQuery进行分析,实现如下:

from pyquery import PyQuery as pq defget_products():””” 提取商品数据
“”” html = browser.page_source doc = pq(html) items = doc(
‘#mainsrp-itemlist .items .item’).items() foritem in items: product = {
‘image’: item.find( ‘.pic .img’).attr( ‘data-src’), ‘price’:
item.find(‘.price’).text(), ‘deal’: item.find( ‘.deal-cnt’).text(),
‘title’: item.find( ‘.title’).text(), ‘shop’: item.find(‘.shop’).text(),
‘location’: item.find( ‘.location’).text() } print(product)
save_to_mongo(product)

率先大家调用了page_source属性获取了页码的源代码,然后构造了PyQuery解析对象,首先大家领到了商品列表,使用的CSS选取器是
#mainsrp-itemlist .items
.item,它会协作到任何页面包车型客车各样商品,因而它的合作结果是三个,所以在此处大家又对它实行了一遍遍历,用for循环将各类结果个别开始展览解析,在那边各样结果大家用for循环把它赋值为item变量,各类item变量都以3个PyQuery对象,然后大家再调用它的find()方法,传入CSS选取器,就能够收获单个商品的一定内容了。

譬如在此处大家查阅一下商品新闻源码,如图所示:

4858.com 33

在这边大家观看一下商品图片的源码,它是2个 img
节点,包括了id、class、data-src、alt、src等本性,在此间大家由此得以看看这张图纸是因为它的src属性被赋值为图片的U福特ExplorerL,在那里大家就把它的src属性提取出来就足以拿走商品的图形了,然而这里大家还留意到有三个data-src属性,它的始末也是图表的UTiggoL,观望后发觉此U福特ExplorerL是图形的全部大图,而src是收缩后的小图,所以那边我们抓取data-src属性来作为商品的图形。

从而大家要求先使用find()方法先找到图片的那个节点,然后再调用attr()方法获得商品的data-src属性即可,那样就成功领取了货物图片链接。然后我们用平等的不贰法门提取商品的价格、成交量、名称、店铺、店铺所在地等消息,然后将拥有提取结果赋值为1个字典,叫做product,随后调用save_to_mongo()将其保存到MongoDB即可。

保存到MongoDB

接下去大家再将商品新闻保存到MongoDB,完成如下:

MONGO_URL = ‘localhost’ MONGO_DB = ‘taobao’ MONGO_COLLECTION =
‘products’client = pymongo.MongoClient(MONGO_URL) db =
client[MONGO_DB]defsave_to_mongo(result):””” 保存至MongoDB :param
result: 结果 “””try: ifdb[MONGO_COLLECTION].insert(result): print(
‘存储到MongoDB成功’) except Exception: print( ‘存储到MongoDB失败’)

大家首先创立了二个MongoDB的三番五次对象,然后钦命了数据库,在措施里随后钦赐了Collection的称呼,然后径直调用insert()方法即可将数据插入到MongoDB,此处的result变量便是在get_products()方法里流传的product,包蕴了单个商品的音讯,这样我们就大功告成促成了数据的插入。

遍历每页

刚才大家所定义的get_index()方法供给收取贰个参数page,page即代表页码数,所以在此地大家再落实页码遍历即可,代码如下:

MAX_PAGE = 100defmain():””” 遍历每1页 “””for i in range( 一, MAX_PAGE

  • 1): index_page(i)

金玉锦绣非常简单,只要求调用3个for循环即可,在那边定义最大的页码数拾0,range()方法的回来结果就是壹到100的列表,顺次遍历调用index_page()方法即可。

诸如此类大家的天猫商城商品爬虫就到位了,最终调用main()方法即可运营。

运行

我们将代码运维起来,能够发现首先会弹出多少个Chrome浏览器,然后挨家挨户访问天猫商城页面,然后控制台便会输出相应的领取结果,这个商品音讯结果都以多个字典方式,然后被贮存到了MongoDB里面。

对接PhantomJS

唯独此次爬取有个不太对劲儿的地点正是Chrome浏览器,爬取进度必必要翻开贰个Chrome浏览器确实不太有利,所以在此处大家还足以对接PhantomJS,只须要将WebDriver的扬言修改一下即可,可是注意那里不可不要设置好PhantomJS,倘使未有安装能够参见第贰章里的装置形式求证。

将WebDriver申明修改如下:

browser = webdriver.PhantomJS()

这么在抓取进程中就不会有浏览器弹出了。

其余大家还能设置缓存和剥夺图片加载的作用,进一步进步爬取效能,修改如下:

SERVICE_ARGS = [ ‘–load-images=false’, ‘–disk-cache=true’] browser
= webdriver.PhantomJS(service_args=SERVICE_ARGS)

如此那般我们就足以禁止使用PhantomJS的图纸加载同时拉开缓存,能够发现页面爬取速度更是升级。

源码

4858.com,本节代码地址为:

天善大学svip包蕴Excel
BI、Python爬虫案例、Python机器学习、Python数据化学家、大数量、数据分析报告、数据分析师种类、深度学习、汉兰达语言案例十套课程火爆报名中,欢迎大家关切
www.hellobi.com/svip

_________________

转载请保留以下内容:

正文来源:天善社区崔庆才先生

初稿链接:https://ask.hellobi.com/blog/cuiqingcai/9185

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图
Copyright @ 2010-2019 美高梅手机版4858 版权所有