Python网络爬虫(三)

AJAX学习

AJAX=Asynchronous JavaScript and XML（异步的 JavaScript 和 XML）。通俗来说，AJAX是一种无需加载整个网页的情况下，通过在后台与服务器进行少量数据交换，更新部分网页的技术，用于创建快速动态网页的技术。

向服务器发送请求与服务器的响应

发送请求可以利用XMLHttpRequest对象的open()和send()方法。

方法 描述
open(method,url,async) 规定请求的类型、URL 以及是否异步处理请求。method：请求的类型；GET 或 POST；url：文件在服务器上的位置；async：true（异步）或 false（同步）
send(string) 将请求发送到服务器。string：仅用于 POST 请求
服务器的响应需要使用XMLHttpRequest对象的responseText或responseXML属性。
属性 描述
responseText 获得字符串形式的响应数据。
responseXML 获得 XML 形式的响应数据。
下面有一段简单的代码: 
<html>
<head>
<script type="text/javascript">
function loadXMLDoc()
{
var xmlhttp;
if (window.XMLHttpRequest)
  {
  xmlhttp=new XMLHttpRequest();
  }

xmlhttp.onreadystatechange=function()
  {
  if (xmlhttp.readyState==4 && xmlhttp.status==200)
    {
    document.getElementById("myDiv").innerHTML=xmlhttp.responseText;
    }
if(xmlhttp.status==404)
{
document.write("The file doesn't exist.");
}
  }
xmlhttp.open("POST","/ajax/demo.asp",true);
xmlhttp.setRequestHeader("Content-type","application/x-www-form-urlencoded");
xmlhttp.send("fname=Bill&lname=Gates");
}
</script>
</head>
<body>

<h2>我的一个测试案例</h2>
<button type="button" onclick="loadXMLDoc()">发出请求</button>
<div id="myDiv"></div>
 
</body>
</html>

可以在w3wschool测试网站看到相应的用法。
代码中有xmlhttp.onreadystatechange=function()，其中的onreadystatechange是一个事件，意思为当readyState发生改变时，onreadystatechange事件会自动触发。下面是XMLHttpRequest对象的三个重要的属性:

属性 描述
onreadystatechange 存储函数（或函数名），每当 readyState 属性改变时，就会调用该函数。
readyState 存有 XMLHttpRequest 的状态。从 0 到 4 发生变化。0: 请求未初始化；1: 服务器连接已建立；2: 请求已接收；3: 请求处理中；4: 请求已完成，且响应已就绪
status 200: "OK"；404: 未找到页面
xmlhttprequest.png

网络爬虫相关

python角度分析AJAX

下面我们从python爬虫的角度对AJAX进行思考，可以分为发送请求->解析内容->渲染网页三个步骤。其中发送请求，是使用javascript的代码进行实现，新建了XMLHttpRequest对象，然后利用onreadystatechange属性设置了监听，然后再用open()和send()方法发送请求，而我们在python中是请求后直接可以得到响应结果。解析内容是在发送请求并收到服务器的响应后，onreadystatechange事件又再一次被触发，此时利用xmlhttp的responseText属性就可以获取响应的内容。类似于 Python 中利用 Requests向服务器发起了一个请求，然后得到响应的过程。那么返回内容可能是 HTML，可能是 Json，接下来只需要在方法中用 JavaScript 进一步处理即可。最后一个步骤是渲染网页，我们都知道javascript可以更改网页内容，而代码中document.getElementById().innerHTM这样的操作就是对某个元素内的源代码进行更改，这样网页显示的内容就发生了改变；这是对Document网页文档进行了操作，即DOM操作。在python中我们同样的也是利用beautifulsoup库解析了网页后，查找其中的节点然后进行提取，AJAX只不过在对应的节点处更改为服务器返回的内容，这样原网页的代码量很少，但是渲染的时候是通过服务器的响应进行渲染的。

AJAX分析

首先我们在浏览器中进入F12开发者模式，进入存储并刷新一个页面(这里以用FireFox打开微博为例)，会出现很多请求，这实际上就是在页面加载过程中浏览器与服务器之间发送 Request 和接收 Response 的所有记录。
document显示.png
而AJAX请求类型为xhr，可以看到有下面3条请求，我们随便点进去一个进行查看:
xhr.png

响应格式为json.png
而我们所有请求的第一个则是网页的源代码，基本上只是写出了节点，没有渲染的代码。当我们加载新内容的时候，会出现新的AJAX请求，比如笔者这里提供三个请求地址:

https://m.weibo.cn/api/container/getIndex?type=uid&value=2145291155&containerid=1005052145291155

https://m.weibo.cn/api/container/getIndex?type=uid&value=2145291155&containerid=1076032145291155

https://m.weibo.cn/api/container/getIndex?type=uid&value=2145291155&containerid=1076032145291155&page=2

每次更新都会有新的请求。所以我们需要利用python来实现AJAX请求的模拟，从而实现数据的抓取。

Python提取AJAX数据

首先分析一下上面笔者列出的三个请求地址，发现地址都包含有type、value、containerid与page，前两个地址加上page=1也是可以请求的，浏览器自动省略了而已。观察一下这些请求，发现它们的 type、value、containerid 始终如一。type 始终为 uid，value的值就是页面的链接中的数字，其实这就是用户的 id，另外还有一个containerid，经过观察发现它就是 107603 然后加上用户id。所以改变的值就是 page，很明显这个参数就是用来控制分页的，page=1 代表第一页，page=2 代表第二页，以此类推。
mblog.png
那么我们只需要以这些参数作为请求参数请求然后抓取json数据就行了。

posted @ 2018-04-06 23:28  MrYun  阅读(271)  评论(0)  编辑  收藏  举报