数据加载方式和爬虫的案例
数据加载方式（重要）
1.常见的加载方式
超服务器请求 页面数据直接全部返回并加载
如何验证数据是直接加载还是其他方式
浏览器空白处鼠标右键 点击查看网页源码 在源码界面搜索对应的数据
如果能收到就表示该数据是直接加载的（可以直接发送相应的请求获取）
2.内部js代码请求
先加载一个也免得框架 之后再朝各项数据的网址发送请求数据
如何查找关键性的数据来源
需要借助于浏览器的network监测核对内部请求
请求的数据一般都是json格式
爬取天气数据
1.拿到页面之后首先分析数据的加载方式（查看网页源代码将网页中的数据复制到里面寻找）
2.发现历史数据并不是直接加载的
统一的研究方向>>>利用network查看
3.查找到可以的网址并查看请求的方式
如果是get请求可以直接拷贝网址在浏览器地址栏访问
4.将请求获得的数据进行分析
https://www.bejson.com/这个网站可以帮助我们查看json格式的数据
5.利用requests模块朝发现的地址发送get请求获取json数据
6.可以研究历史天气数据的URL寻找规律 即可爬取指定月份的数据
import requests
import pandas
res = requests.get(
'http://tianqi.2345.com/Pc/GetHistory?areaInfo%5BareaId%5D=60010&areaInfo%5BareaType%5D=2&date%5Byear%5D=2021&date%5Bmonth%5D=6')
# print(res.json()) # 反序列化成字典之后 比对一下数据在哪个键值对中
real_data_html = res.json().get('data')
'''后期再学 目前先了解'''
df1 = pandas.read_html(real_data_html)[0]
df1.to_excel(r'qianqi.xlsx')
百度翻译
1.在查找单词的时候页面是在动态变化的
2.并且针对单词的详细翻译结果数据是动态请求获取的
3.打开network之后输入英文查看内部请求变化
sug请求频率固定且较高
4.研究sug请求发现每次输入的单词都会朝固定的一个网址发送post请求
并且请求体携带了改单词数据
import requests
keyword = input('请输入你需要查询的单词>>>:')
res = requests.post('https://fanyi.baidu.com/sug',
data={'kw': keyword}
)
data_dict = res.json()
data_list = data_dict.get('data')
for d in data_list:
print(d)
爬取药品许可证
需求：爬取药品企业生产许可证详细信息
1.先明确是否需要爬取页面数据 如果需要则先查看数据的加载方式
2.通过network查看得知数据是动态加载的 网页地址只会加载一个外壳
3.通过network点击fetch/xhr筛选动态获取数据的地址和请求方式
4.利用requests模块发送相应请求获取数据 之后再分析
5.利用浏览器点击详情页查找关键数据
http://scxk.nmpa.gov.cn:81/xk/itownet/portal/dzpz.jsp?id=911d4f256300476abb78012427d38c9d
6.由于我们需要爬取详情页的数据所以要验证数据的加载方式
7.详情页核心数据也是动态加载的 发现是post请求并携带了一个id参数
id: 911d4f256300476abb78012427d38c9d
8.通过比对得知id数据与第一次爬取的公司简介里面的id一致 从而得出结论
循环获取格式简介id 然后发送post请求 获取每个公司的详细数据
import requests
res = requests.post('http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsList',
data={
"on": "true",
"page": 1,
"pageSize": 15,
"productName":'',
"conditionType": 1,
"applyname":'',
"applysn": ''
}
)
# data_dict = res.json()
# data_list = data_dict.get('list')
# 上述两步合成一步
data_list = res.json().get('list')
# 循环获取格式id值
for d in data_list:
# 字段取值 获取id值
ID = d.get("ID")
# 发送网络请求
res1 = requests.post('http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsById',
data={'id':ID}
)
# 获取数据结果
data_dict = res1.json()
深入研究
多页数据如何获取(思路非常重要)
1.先点击页码查看url的变化
如果数据变化url不变 那么数据肯定是动态加载的
如果数据变化url也变 那么数据可能是直接加载也可能是动态
2.针对上述案例 数据是动态加载 所以需要研究每一次点击页码内部请求
3.研究请求体参数得知数据页由page控制
4.写一个for循环即可
数据存储如何实现
