Python爬虫学习==>第十一章：分析Ajax请求-抓取今日头条信息

学习目的：

 　　解决AJAX请求的爬虫，网页解析库的学习，MongoDB的简单应用

 

正式步骤

Step1：流程分析

1.  抓取单页内容：利用requests请求目标站点，得到单个页面的html代码，返回结果；
2. 抓取页面详情内容：解析返回结果，得到详情页的链接，并进一步抓取详情页的信息；
3. 下载图片并保存数据库：将图片下载到本地，把页面信息及图片url保存至MongoDB；
4. 开启循环及多线程：对多页面内容遍历，开启多线程并提高抓取效率。

Step2：实例分析

1. 打开今日头条搜索页，搜索“中超”，查看页面的请求方法为：GET

2. 创建一个Python文件：spider_ajax.py

3.网站url信息获取

4. 打印抓取的文章超链接和抓取的html内容

# -*-  coding:utf-8 -*-
import json
from urllib.parse import urlencode
from requests.exceptions import RequestException

import requests
def get_page_html(offset,keyword):
    data = {
        'offset':offset,
        'format':'json',
        'keyword':keyword,
        'autoload':'true',
        'count':'20',
        'cur_tab':1
    }
#   urlencode把字典对象自动转化为url参数，
#   快速导入，请选中以后，按alt+enter
    url = 'https://www.toutiao.com/search_content/?' + urlencode(data)
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        print('请求索引页失败')
        return None

def parse_page_index(html):
#因为html打印出来是json字符串格式，json.loads作用是将已编码的 JSON 字符串解码为 Python 对象
# json.dumps作用是将 Python 对象编码成 JSON 字符串
#参考http://www.runoob.com/python/python-json.html
    data = json.loads(html)
    if data and 'data' in data.keys():
        for item in data.get('data'):
            yield item.get('article_url')

def main():
    html = get_page_html(0,'中超')
#打印抓取的文章详细内容的url
    for url in parse_page_index(html):
        print(url)
#打印获取页面内容
    print(html)

if __name__ == '__main__':
    main()

 后面的内容因为爬虫被封，很多信息获取不到，暂时不会，以后再补全这节内容

 

 

学习总结：

 　　想爬取商业的门户网站，感觉一脸懵逼