29. [实例]抓取动态加载数据

1. 前言

本节讲解如何抓取豆瓣电影“分类排行榜”中的电影数据（https://movie.douban.com/chart），比如输入“犯罪”则会输出所有犯罪影片的电影名称、评分，效果如下所示：

剧情|喜剧|动作|爱情|科幻|动画|悬疑|惊悚|恐怖|纪录片|短片|情色|同性|音乐|歌舞|家庭|儿童|传记|历史|战争|犯罪|西部|奇幻|冒险|灾难|武侠|古装|运动|黑色电影|
你想了解什么类型电影:犯罪
{'name': '肖申克的救赎', 'score': 9.7}
{'name': '控方证人', 'score': 9.6}
...
电影总数量：302部

2. 确定网站类型

首先要明确豆瓣电影网站的类型，即是动态还是静态。检查方法：右键查看网页源码 —> 搜索“辛德勒的名单”关键字，如下图所示：

图1：分析网站类型

最终发现源码页中没有出现想要抓取的数据，只有一大堆的 JS 代码，由此确定该网站为动态网站。

3. 影片详情信息

接下来，使用快捷键 F12 打开控制台进行抓包，点击NetWork选项卡 —>XHR选项 —> Preview选项卡 —> 刷新当前页面抓取数据包，如下图所示：

图2：抓取动态网站数据包

从图 2 可知，我们想要抓取的数据取全部包含在当前的数据包中。当我们向下滚动鼠标滑轮时，左侧栏内的数据包会实现自动加载，这是使用 Ajax 异步加载技术实现的。

通过查看数据 Headers 选项可以明确 url 地址、查询参数等信息，如下所示：

图3：分析Headers信息
 

从上图可以得知请求的基准 URL （由于还未拼接查询参数，所以称之为基准 URL），如下所示：

?

1	'https://movie.douban.com/j/chart/top_list?'

继续滚动鼠标滑轮可知查询参数具有如下规律：

?

1 2 3 4 5

type: 4  # 电影类型 interval_id: 100:90  #代表网页上滑动条的百分比（好于100%-90%的历史片） action: ''  # 空 start: 0  # 每次加载电影的起始索引值 0 20 40 60 limit: 20 # 每次加载的电影数量，1为初始值，后续加载时20固定不变

注意：寻找规律时，后加载出来的数据包会排在最前面，除去第一个数据包外，其余数据包如下所示：

图4：寻找查询参数值的规律

4. 影片总数量

注意：第一个数据包反映了每个类型中电影的总数量，其 url 与响应信息如下：

?

1 2	请求的URL地址 : https://movie.douban.com/j/chart/top_list_count?type=4&interval_id=100%3A90 Response信息：{"playable_count":41,"total":104,"unwatched_count":104}

5. 影片类型与类型码

影片的类型与类型码包含在电影排行榜的主界面中，如下所示：

图5：影片类型与类型码
 

分析上述页面结构，然后使用正则表达式来提取想要的数据，并定义选择菜单“menu”，代码如下所示：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

import re def get_all_type_films(self):     # 获取影片类型和类型码     url = 'https://movie.douban.com/chart'     headers = self.get_headers()     html = requests.get(url=url, headers=headers).text     re_bds = r'<a href=.*?type_name=(.*?)&type=(.*?)&.*?</a>'     pattern = re.compile(re_bds, re.S)     r_list = pattern.findall(html)     # 存放所有类型和对应类型码大字典     type_dict = {}     # 定义一个选择电影类型的菜单     menu = ''     # r_list[{'剧情 , 11'},{},..]     for r in r_list:         type_dict[r[0].strip()] = r[1].strip()         # 获取input的菜单，显示所有电影类型         menu += r[0].strip() + '|'     #返回类型字典以供后续函数调用，并返回输入菜单menu     # {'剧情': '11', '喜剧': '24',...}     return type_dict, menu

6. 编写完整程序

完成上述分析后，下面开始编写 Python 爬虫程序，代码如下：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83

#coding:utf8 import requests import time import random import re import json from ua_info import ua_list class DoubanSpider(object):     def __init__(self):         self.url = 'https://movie.douban.com/j/chart/top_list?'         self.i = 0     # 获取随机headers     def get_headers(self):         headers = {'User-Agent':random.choice(ua_list)}         return headers     # 获取页面     def get_page(self,params):       # 将json转换为 python 数据类型，并返回       html = requests.get(url=self.url,params=params,headers=self.get_headers()).text       html=json.loads(html)       self.parse_page(html)     # 解析并保存数据     def parse_page(self,html):        item = {}         # html列表类型： [{电影1},{电影2},{电影3}...]        for one in html:             # 名称 + 评分            item['name'] = one['title'].strip()            item['score'] = float(one['score'].strip())            print(item)            self.i += 1     # 获取电影总数     def total_number(self,type_number):         # F12抓包抓到的地址，type表示电影类型         url = 'https://movie.douban.com/j/chart/top_list_count?type={}&interval_id=100%3A90'.format(type_number)         headers = self.get_headers()         html = requests.get(url=url,headers=headers).json()         total = int(html['total'])         return total     # 获取所有电影的类型和对应type值     def get_all_type_films(self):         # 获取类型与类型码         url = 'https://movie.douban.com/chart'         headers = self.get_headers()         html = requests.get(url=url,headers=headers).text         re_bds = r'<a href=.*?type_name=(.*?)&type=(.*?)&.*?</a>'         pattern = re.compile(re_bds,re.S)         r_list = pattern.findall(html)         # 存放所有类型和对应类型码大字典         type_dict = {}         #定义一个选择电影类型的菜单         menu = ''         for r in r_list:             type_dict[r[0].strip()] = r[1].strip()             # 获取input的菜单，显示所有电影类型             menu += r[0].strip() + '|'         return type_dict,menu     # 主程序入口函数     def main(self):         # 获取type的值         type_dict,menu = self.get_all_type_films()         menu = menu + '\n你想了解什么类型电影:'         name = input(menu)         type_number = type_dict[name]         # 获取电影总数         total = self.total_number(type_number)         for start in range(0,(total+1),20):            #构建查询参数             params = {                 'type' : type_number,                 'interval_id' : '100:90',                 'action' : '',                 'start' : str(start),                 'limit' : '20'             }             # 调用函数,传递params参数             self.get_page(params)             # 随机休眠1-3秒             time.sleep(random.randint(1,3))         print('电影总数量:%d部'%self.i ) if __name__ == '__main__':     spider = DoubanSpider()     spider.main()

输出示例：

剧情|喜剧|动作|爱情|科幻|动画|悬疑|惊悚|恐怖|纪录片|短片|情色|同性|音乐|歌舞|家庭|儿童|传记|历史|战争|犯罪|西部|奇幻|冒险|灾难|武侠|古装|运动|黑色电影|
你想了解什么类型电影:科幻
{'name': '盗梦空间', 'score': 9.3}
{'name': '星际穿越', 'score': 9.3}
{'name': '楚门的世界', 'score': 9.3}
{'name': '机器人总动员', 'score': 9.3}
{'name': '蝙蝠侠：黑暗骑士', 'score': 9.2}
{'name': '超感猎杀：完结特别篇', 'score': 9.2}
{'name': '新世纪福音战士 第0:0话 诞生之始', 'score': 9.2}
{'name': '少年骇客：变身之谜', 'score': 9.2}
...
...
电影总数量:147部

最后我们对抓取动态网站数据做简单地总结：

• 1. 确定网站是否为动态网站，通过查看源码搜索相应的关键字即可确定。
• 2. 动态网站主要通过异步方式加载数据。触发数据加载的 JS 事件主要有滚动鼠标滑轮、鼠标点击、拉动滚动条等有关动作， 也有一些网站通过局部更新的方式加载数据，比如有道翻译案例。