AI网络爬虫：批量获取post请求动态加载的json数据

网站https://www.futurepedia.io/ai-innovations的数据是通过post请求动态加载的：

查看几页的请求载荷：

{"companies":[],"startDate":"2023-12-01T00:00:00.000Z","endDate":"2024-06-09T12:25:08.525Z","limit":25,"page":9,"categories":[],"itemTypes":[],"query":null}

{"companies":[],"startDate":"2023-12-01T00:00:00.000Z","endDate":"2024-06-09T12:25:08.525Z","limit":25,"page":7,"categories":[],"itemTypes":[],"query":null}

{"companies":[],"startDate":"2023-12-01T00:00:00.000Z","endDate":"2024-06-09T12:25:08.525Z","limit":25,"page":5,"categories":[],"itemTypes":[],"query":null}

这三个请求载荷的主要区别在于它们的"page"参数。这个参数通常用于分页，表示请求的是第几页的数据。具体来说：

1. 第一个请求载荷请求的是第9页的数据。
2. 第二个请求载荷请求的是第7页的数据。
3. 第三个请求载荷请求的是第5页的数据。

其他参数，如"companies"、"startDate"、"endDate"、"limit"、"categories"和"itemTypes"，在这三个请求中都是相同的。"startDate"和"endDate"定义了请求数据的时间范围，"limit"定义了每页显示的数据条数，而"categories"和"itemTypes"可能用于过滤数据，但在这里它们都是空的，表示没有应用任何过滤条件。"query"参数也是空的，表示没有使用任何搜索查询。

查看返回的json数据：

{

"products": [

{

"id": "2dd3fed5-fb31-473d-8c13-b731c9617657",

"name": "Copilot for Data Factory",

"company": {

"name": "Microsoft",

"slug": "microsoft"

},

"category": "Automation",

"itemType": "Feature",

"shortDescription": "Automates data ingestion and transformation processes",

"longDescription": "Provides AI-driven guidance for data integration, ensuring up-to-date and accurate warehouse data.",

"releaseDate": "2024-05-23",

"sources": [

"https://blog.fabric.microsoft.com/en-us/blog/announcing-the-public-preview-of-copilot-for-data-warehouse-in-microsoft-fabric?ft=All"

]

},

ChatGPT输入提示词：

你是一个Python编程专家，完成一个Python脚本编写的任务，具体步骤如下：

在F盘新建一个Excel文件：AIInnovations20240609.xlsx

爬取网页：

请求网址:

https://www.futurepedia.io/api/product-releases

请求方法:

POST

状态代码:

200 OK

远程地址:

172.67.176.202:443

引荐来源网址政策:

strict-origin-when-cross-origin

请求载荷：

{"companies":[],"startDate":"2023-12-01T00:00:00.000Z","endDate":"2024-06-09T12:25:08.525Z","limit":25,"page":{pagenumber},"categories":[],"itemTypes":[],"query":null}

{pagenumber}的值是从1开始，以1递增，以160结束；

获取网页的json数据；

提取这个json数据中"products"键的值，这个值也是一个json数据；

提取这个json数据中所有键的名称，写入Excel文件的表头，所有键对应的值，写入Excel文件的数据列；

保存Excel文件；

注意：每一步都输出信息到屏幕；

每爬取1页数据后暂停5-9秒；

需要对 JSON 数据进行预处理，将嵌套的字典和列表转换成适合写入 Excel 的格式，比如将嵌套的字典转换为字符串。

要设置请求标头：

Accept:

*/*

Accept-Encoding:

gzip, deflate, br, zstd

Accept-Language:

zh-CN,zh;q=0.9,en;q=0.8

Content-Length:

156

Content-Type:

text/plain;charset=UTF-8

Origin:

https://www.futurepedia.io

Priority:

u=1, i

Referer:

https://www.futurepedia.io/ai-innovations

Sec-Ch-Ua:

"Google Chrome";v="125", "Chromium";v="125", "Not.A/Brand";v="24"

Sec-Ch-Ua-Mobile:

?0

Sec-Ch-Ua-Platform:

"Windows"

Sec-Fetch-Dest:

empty

Sec-Fetch-Mode:

cors

Sec-Fetch-Site:

same-origin

User-Agent:

Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36

ChatGPT生成的源代码：

import requests

import openpyxl

import time

import random

import json

# 文件路径和名称

file_path = r"F:\AIInnovations20240609.xlsx"

# 创建一个新的 Excel 工作簿

wb = openpyxl.Workbook()

ws = wb.active

ws.title = "Product Releases"

# 初始页码

page_number = 1

# 请求的 URL 和方法

url = "https://www.futurepedia.io/api/product-releases"

# 请求头

request_headers = {

'Accept': '*/*',

'Accept-Encoding': 'gzip, deflate, br, zstd',

'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',

'Content-Length': '156',

'Content-Type': 'text/plain;charset=UTF-8',

'Origin': 'https://www.futurepedia.io',

'Priority': 'u=1, i',

'Referer': 'https://www.futurepedia.io/ai-innovations',

'Sec-Ch-Ua': '"Google Chrome";v="125", "Chromium";v="125", "Not.A/Brand";v="24"',

'Sec-Ch-Ua-Mobile': '?0',

'Sec-Ch-Ua-Platform': '"Windows"',

'Sec-Fetch-Dest': 'empty',

'Sec-Fetch-Mode': 'cors',

'Sec-Fetch-Site': 'same-origin',

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36'

}

# 表头写入标志

headers_written = False

# 数据处理函数：将嵌套的字典或列表转换为字符串

def clean_data(value):

if isinstance(value, (dict, list)):

return json.dumps(value, ensure_ascii=False) # 确保非 ASCII 字符被正确编码

return value

# 爬取数据

while page_number <= 190:

print(f"正在爬取第 {page_number} 页的数据...")

# 请求载荷

payload = {

"companies": [],

"startDate": "2023-12-01T00:00:00.000Z",

"endDate": "2024-06-09T12:25:08.525Z",

"limit": 25,

"page": page_number,

"categories": [],

"itemTypes": [],

"query": None

}

# 确保 request_headers 是字典类型

if not isinstance(request_headers, dict):

print(f"错误：请求头不是字典类型：{type(request_headers)}")

break

# 调试打印请求头

print(f"请求头：{request_headers}")

# 发送 POST 请求

try:

response = requests.post(url, headers=request_headers, json=payload)

except Exception as e:

print(f"请求失败，错误信息：{e}")

break

# 检查请求是否成功

if response.status_code != 200:

print(f"请求失败，状态码：{response.status_code}")

break

# 获取 JSON 数据

data = response.json()

products = data.get("products", [])

if not headers_written and products:

# 获取 JSON 数据中的键作为表头

excel_headers = list(products[0].keys())

ws.append(excel_headers)

headers_written = True

# 将数据写入 Excel

for product in products:

cleaned_product = [clean_data(product.get(header, "")) for header in excel_headers]

ws.append(cleaned_product)

# 保存 Excel 文件

wb.save(file_path)

print(f"第 {page_number} 页的数据已写入 Excel 文件。")

# 随机暂停 5-9 秒

sleep_time = random.randint(5, 9)

print(f"暂停 {sleep_time} 秒...")

time.sleep(sleep_time)

# 更新页码

page_number += 2

print(f"数据爬取完成，文件已保存至：{file_path}")