实战|Python轻松实现动态网页爬虫(附详细源码)

小小詹同学

发布于 2020-10-10 15:09:20

1.2K0

发布于 2020-10-10 15:09:20

文章被收录于专栏：小詹同学小詹同学

用浅显易懂的语言分享爬虫、数据分析及可视化等干货，希望人人都能学到新知识。

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。

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

一

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。

二

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。

三

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！

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：

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。

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：

一

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。

‍

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。

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。

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。

from urllib.parse import urlencode
import csv
import random
import requests
import traceback
from time import sleep
from 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。

base_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

headers = {
    'Connection': 'keep-alive',
    'Accept': '*/*',
    'X-Requested-With': 'XMLHttpRequest',
    'User-Agent': '你的User-Agent',
    'Origin': 'http://www.hshfy.sh.cn',
    'Referer': 'http://www.hshfy.sh.cn/shfy/gweb2017/ktgg_search.jsp?zd=splc',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Content-Type': 'application/x-www-form-urlencoded',
    'Cookie': '你的Cookie'
}

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。

def get_page(page):
    n = 3
    while True:
        try:
            sleep(random.uniform(1, 2))  # 随机出现1-2之间的数，包含小数
            data = {
                'yzm': 'yxAH',
                'ft':'',
                'ktrqks': '2020-05-22',
                'ktrqjs': '2020-06-22',
                'spc':'',
                'yg':'',
                'bg':'',
                'ah':'',
                'pagesnum': page
            }
            url = base_url + urlencode(data)
            print(url)
            try:
                response = requests.request("POST",url, headers = headers)
                #print(response)
                if response.status_code == 200:
                    re = response.content.decode('gbk')
                    # print(re)
                    return re  # 解析内容
            except requests.ConnectionError as e:
                print('Error', e.args)  # 输出异常信息
        except (TimeoutError, Exception):
            n -= 1
            if n == 0:
                print('请求3次均失败，放弃此url请求,检查请求条件')
                return
            else:
                print('请求失败，重新请求')
                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。

def parse_page(html):
    try:
        parse = etree.HTML(html)  # 解析网页
        items = parse.xpath('//*[@id="report"]/tbody/tr')
        for item in items[1:]:
            item = {
                'a': ''.join(item.xpath('./td[1]/font/text()')).strip(),
                'b': ''.join(item.xpath('./td[2]/font/text()')).strip(),
                'c': ''.join(item.xpath('./td[3]/text()')).strip(),
                'd': ''.join(item.xpath('./td[4]/text()')).strip(),
                'e': ''.join(item.xpath('./td[5]/text()')).strip(),
                'f': ''.join(item.xpath('./td[6]/div/text()')).strip(),
                'g': ''.join(item.xpath('./td[7]/div/text()')).strip(),
                'h': ''.join(item.xpath('./td[8]/text()')).strip(),
                'i': ''.join(item.xpath('./td[9]/text()')).strip()
            }
            #print(item)
            try:
                with open('./law.csv', 'a', encoding='utf_8_sig', newline='') as fp:
                    # 'a'为追加模式（添加）
                    # utf_8_sig格式导出csv不乱码
                    fieldnames = ['a', 'b', 'c', 'd', 'e','f','g','h','i']
                    writer = csv.DictWriter(fp,fieldnames)
                    writer.writerow(item)
            except Exception:
                print(traceback.print_exc())  #代替print e 来输出详细的异常信息
    except Exception:
        print(traceback.print_exc())

最后，遍历一下页数，调用一下函数。OK，搞定！

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

我们来看一下最终效果：

二

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。

from lxml import etree
import time
from selenium import webdriver
from selenium. webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.by import By

然后，用chromedriver驱动打开这个网站。

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