Python爬虫实战入门五:获取JS动态内容—爬取今日头条(转载)
之前我们爬取的网页,多是HTML静态生成的内容,直接从HTML源码中就能找到看到的数据和内容,然而并不是所有的网页都是这样的。
有一些网站的内容由前端的JS动态生成,由于呈现在网页上的内容是由JS生成而来,我们能够在浏览器上看得到,但是在HTML源码中却发现不了。比如今日头条:
浏览器呈现的网页如下图所示:
查看源码,却是如下图所示:
网页的新闻在HTML源码中一条都找不到,全是由JS动态生成加载。
遇到这种情况,我们应该如何对网页进行爬取呢?有两种方法:
- 从网页响应中找到JS脚本返回的JSON数据;
- 使用Selenium对网页进行模拟访问
在此只对第一种方法作介绍,关于Selenium的使用,后面有专门的一篇。
一、从网页响应中找到JS脚本返回的JSON数据
即使网页内容是由JS动态生成加载的,JS也需要对某个接口进行调用,并根据接口返回的JSON数据再进行加载和渲染。
所以我们可以找到JS调用的数据接口,从数据接口中找到网页中最后呈现的数据。
就以今日头条为例来演示:
1、从找到JS请求的数据接口
F12打开网页调试工具
选择“网络”选项卡后,发现有很多响应,我们筛选一下,只看XHR响应。(XHR是Ajax中的概念,表示XMLHTTPrequest)
然后我们发现少了很多链接,随便点开一个看看:
我们选择city,预览中有一串json数据:
![](http://upload-images.jianshu.io/upload_images/38544-b77a9b46b6f018fe.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
我们再点开看看:
![](http://upload-images.jianshu.io/upload_images/38544-7f84659ce8a430cd.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
原来全都是城市的列表,应该是加载地区新闻之用的。
现在大概了解了怎么找JS请求的接口的吧?但是刚刚我们并没有发现想要的新闻,再找找看:
有一个focus,我们点开看看:
![](http://upload-images.jianshu.io/upload_images/38544-84125718c098b6ee.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
与首页的图片新闻呈现的数据是一样的,那么数据应该就在这里面了。
看看其他的链接:
![](http://upload-images.jianshu.io/upload_images/38544-530292331ed65ff8.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
这应该是热搜关键词
![](http://upload-images.jianshu.io/upload_images/38544-9ad4bba88f85b3c4.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
这个就是图片新闻下面的新闻了。
我们打开一个接口链接看看:http://www.toutiao.com/api/pc/focus/
![](http://upload-images.jianshu.io/upload_images/38544-215d383ab9a442d4.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
返回一串乱码,但从响应中查看的是正常的编码数据:
![](http://upload-images.jianshu.io/upload_images/38544-121d7e765d3bc7fa.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
有了对应的数据接口,我们就可以仿照之前的方法对数据接口进行请求和获取响应了
2、请求和解析数据接口数据
先上完整代码:
# coding:utf-8 import requests import json url = 'http://www.toutiao.com/api/pc/focus/' wbdata = requests.get(url).text data = json.loads(wbdata) news = data['data']['pc_feed_focus'] for n in news: title = n['title'] img_url = n['image_url'] url = n['media_url'] print(url,title,img_url)
返回出来的结果如下:
![](http://upload-images.jianshu.io/upload_images/38544-2388dc62b47feb53.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
照例,稍微讲解一下代码:
代码分为四部分,
第一部分:引入相关的库
# coding:utf-8 import requests import json
第二部分:对数据接口进行http请求
url = 'http://www.toutiao.com/api/pc/focus/' wbdata = requests.get(url).text
第三部分:对HTTP响应的数据JSON化,并索引到新闻数据的位置
data = json.loads(wbdata) news = data['data']['pc_feed_focus']
第四部分:对索引出来的JSON数据进行遍历和提取
for n in news: title = n['title'] img_url = n['image_url'] url = n['media_url'] print(url,title,img_url)
如此,就完成了从JS网页中爬取数据。
文章版权所有:州的先生博客,转载必须保留出处及原文链接
原文地址:https://zmister.com/archives/88.html
本文件的链接不能取出上面所说的数据,但本文主要明白,F12以后,XHR的数据类型为json的,取其中的值,进行解析,
# coding:utf-8
import requests
import json
url = 'https://tsearch.snssdk.com/search/suggest/hot_words/?_signature=_02B4Z6wo00501MC-PUAAAIDDBjclNmIAlbjAmjnAAFEfWUxxlRH4pyFnAz5dldNo.GhSvGdIQBmqPVcAQTSy2przp0ui9hPWEDuFEYz6VLxIG8PNf.yM7MEvwom4lRjQ5IvvW3HXRnV3q30G85'
wbdata = requests.get(url).text
print(wbdata)
data = json.loads(wbdata)
news = data['data']
for n in news:
title = n['query']
img_url = n['query_id']
url = n['query_id_string']
print(url,title,img_url)