建站
咨詢
售后
建站咨詢
新聞中心
在上一篇教程《pyspider 爬蟲教程 (1)：HTML 和 CSS 選擇》中，我們使用 self.crawl API 抓取豆瓣電影的 HTML 內(nèi)容，并使用 CSS 選擇器解析了一些內(nèi)容。不過(guò)，現(xiàn)在的網(wǎng)站通過(guò)使用 AJAX 等技術(shù)，在你與服務(wù)器交互的同時(shí)，不用重新加載整個(gè)頁(yè)面。但是，這些交互手段，讓抓取變得稍微難了一些：你會(huì)發(fā)現(xiàn)，這些網(wǎng)頁(yè)在抓回來(lái)后，和瀏覽器中的并不相同。你需要的信息并不在返回 HTML 代碼中。
網(wǎng)站建設(shè)公司,為您提供網(wǎng)站建設(shè),網(wǎng)站制作,網(wǎng)頁(yè)設(shè)計(jì)及定制網(wǎng)站建設(shè)服務(wù),專注于成都企業(yè)網(wǎng)站建設(shè),高端網(wǎng)頁(yè)制作,對(duì)OPP膠袋等多個(gè)行業(yè)擁有豐富的網(wǎng)站建設(shè)經(jīng)驗(yàn)的網(wǎng)站建設(shè)公司。專業(yè)網(wǎng)站設(shè)計(jì),網(wǎng)站優(yōu)化推廣哪家好,專業(yè)網(wǎng)站推廣優(yōu)化,H5建站,響應(yīng)式網(wǎng)站。
在這一篇教程中，我們會(huì)討論這些技術(shù) 和 抓取他們的方法。
AJAX
AJAX 是 Asynchronous JavaScript and XML(異步的 JavaScript 和 XML)的縮寫。AJAX 通過(guò)使用原有的 web 標(biāo)準(zhǔn)組件，實(shí)現(xiàn)了在不重新加載整個(gè)頁(yè)面的情況下，與服務(wù)器進(jìn)行數(shù)據(jù)交互。例如在新浪微博中，你可以展開一條微博的評(píng)論，而不需要重新加載，或者打開一個(gè)新的頁(yè)面。但是這些內(nèi)容并不是一開始就在頁(yè)面中的(這樣頁(yè)面就太大了)，而是在你點(diǎn)擊的時(shí)候被加載進(jìn)來(lái)的。這就導(dǎo)致了你抓取這個(gè)頁(yè)面的時(shí)候，并不能獲得這些評(píng)論信息(因?yàn)槟銢](méi)有『展開』)。
AJAX 的一種常見(jiàn)用法是使用 AJAX 加載 JSON 數(shù)據(jù)，然后在瀏覽器端渲染。如果能直接抓取到 JSON 數(shù)據(jù)，會(huì)比 HTML 更容易解析。
當(dāng)一個(gè)網(wǎng)站使用了 AJAX 的時(shí)候，除了用 pyspider 抓取到的頁(yè)面和瀏覽器看到的不同以外。你在瀏覽器中打開這樣的頁(yè)面，或者點(diǎn)擊『展開』的時(shí)候，常常會(huì)看到『加載中』或者類似的圖標(biāo)/動(dòng)畫。例如，當(dāng)你嘗試抓取：http://movie.douban.com/explore
你會(huì)發(fā)現(xiàn)電影是『載入中…』
找到真實(shí)的請(qǐng)求
由于 AJAX 實(shí)際上也是通過(guò) HTTP 傳輸數(shù)據(jù)的，所以我們可以通過(guò) Chrome Developer Tools 找到真實(shí)的請(qǐng)求，直接發(fā)起真實(shí)請(qǐng)求的抓取就可以獲得數(shù)據(jù)了。
打開一個(gè)新窗口
按 Ctrl+Shift+I (在 Mac 上請(qǐng)按 Cmd+Opt+I) 打開開發(fā)者工具。
切換到網(wǎng)絡(luò)( Netwotk 面板)
在窗口中打開 http://movie.douban.com/explore
在頁(yè)面加載的過(guò)程中，你會(huì)在面板中看到所有的資源請(qǐng)求。
[[191089]]
AJAX 一般是通過(guò) XMLHttpRequest 對(duì)象接口發(fā)送請(qǐng)求的，XMLHttpRequest 一般被縮寫為 XHR。點(diǎn)擊網(wǎng)絡(luò)面板上漏斗形的過(guò)濾按鈕，過(guò)濾出 XHR 請(qǐng)求。挨個(gè)查看每個(gè)請(qǐng)求，通過(guò)訪問(wèn)路徑和預(yù)覽，找到包含信息的請(qǐng)求：http://movie.douban.com/j/searchX61Xsubjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0
在豆瓣這個(gè)例子中，XHR 請(qǐng)求并不多，可以挨個(gè)查看來(lái)確認(rèn)。但在 XHR 請(qǐng)求較多的時(shí)候，可能需要結(jié)合觸發(fā)動(dòng)作的時(shí)間，請(qǐng)求的路徑等信息幫助在大量的請(qǐng)求中找到包含信息的關(guān)鍵請(qǐng)求。這需要抓取或者前端的相關(guān)經(jīng)驗(yàn)。所以，有一個(gè)我一直在提的觀點(diǎn)，學(xué)習(xí)抓取的***方法是：學(xué)會(huì)寫網(wǎng)站。
現(xiàn)在可以在新窗口中打開 http://movie.douban.com/j/searchX67Xsubjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0，你會(huì)看到包含電影數(shù)據(jù)的 JSON 原始數(shù)據(jù)。推薦安裝 JSONView(Firfox版)插件，這樣可以看到更好看的 JSON 格式，展開折疊列等功能。然后，我們根據(jù) JSON 數(shù)據(jù)，編寫一個(gè)提取電影名和評(píng)分的腳本：
- class Handler(BaseHandler):
- def on_start(self):
- self.crawl('http://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0',
- callback=self.json_parser)
- def json_parser(self, response):
- return [{
- "title": x['title'],
- "rate": x['rate'],
- "url": x['url']
- } for x in response.json['subjects']]
你可以使用 response.json 將結(jié)果轉(zhuǎn)為一個(gè) python 的 dict 對(duì)象
你可以在 http://demo.pyspider.org/debug/tutorial_douban_explore 獲得完整的代碼，并進(jìn)行調(diào)試。腳本中還有一個(gè)使用 PhantomJS 渲染的提取版本，將會(huì)在下一篇教程中介紹。
HTTP
HTTP 是用來(lái)傳輸網(wǎng)頁(yè)內(nèi)容的協(xié)議。在前面的教程中，我們已經(jīng)通過(guò) self.crawl 接口提交了 URL 進(jìn)行了抓取。這些抓取就是通過(guò) HTTP 協(xié)議傳輸?shù)摹?/p>
在抓取過(guò)程中，你可能會(huì)遇到類似 403 Forbidden，或者需要登錄的情況，這時(shí)候你就需要正確的 HTTP 參數(shù)進(jìn)行抓取了。
一個(gè)典型的 HTTP 請(qǐng)求包如下，這個(gè)請(qǐng)求是發(fā)往 http://example.com/ 的：
- GET / HTTP/1.1
- Host: example.com
- Connection: keep-alive
- Cache-Control: max-age=0
- Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8
- User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/40.0.2214.45 Safari/537.36
- Referer: http://en.wikipedia.org/wiki/Example.com
- Accept-Encoding: gzip, deflate, sdch
- Accept-Language: zh-CN,zh;q=0.8
- If-None-Match: "359670651"
- If-Modified-Since: Fri, 09 Aug 2013 23:54:35 GMT
- 請(qǐng)求的***行包含 method, path 和 HTTP 協(xié)議的版本信息
- 余下的行被稱為 header，是以 key: value 的形式呈現(xiàn)的
- 如果是 POST 請(qǐng)求，在請(qǐng)求結(jié)尾可能還會(huì)有 body 內(nèi)容
你可以通過(guò)前面用過(guò)的 Chrome Developer Tools 工具查看到這些信息：
在大多數(shù)時(shí)候，使用正確的 method, path, headers 和 body 總是能抓取到你需要的信息的。
HTTP Method
HTTP Method 告訴服務(wù)器對(duì) URL 資源期望進(jìn)行的操作。例如在打開一個(gè) URL 的時(shí)候使用的是 GET 方式，而在提交數(shù)據(jù)的時(shí)候一般使用 POST。
TODO： need example here
HTTP Headers
HTTP Headers 是請(qǐng)求所帶的一個(gè)參數(shù)列表，你可以在 這里 找到完整的常用 Headers 列表。一些常用的需要注意的有：
User-Agent
UA 是標(biāo)識(shí)你使用的瀏覽器，或抓取程序的一段字符串。pyspider 使用的默認(rèn) UA 是 pyspider/VERSION (+http://pyspider.org/)。網(wǎng)站常用這個(gè)字符串來(lái)區(qū)分用戶的操作系統(tǒng)和瀏覽器，以及判斷對(duì)方是否是爬蟲。所以在抓取的時(shí)候，常常會(huì)對(duì) UA 進(jìn)行偽裝。
在 pyspider 中，你可以通過(guò) self.crawl(URL, headers={'User-Agent': 'pyspider'})，或者是 crawl_config = {'headers': {'User-Agent': 'xxxx'}} 來(lái)指定腳本級(jí)別的 UA。詳細(xì)請(qǐng)查看 API 文檔。
Referer
Referer 用于告訴服務(wù)器，你訪問(wèn)的上一個(gè)網(wǎng)頁(yè)是什么。常常被用于防盜鏈，在抓取圖片的時(shí)候可能會(huì)用到。
X-Requested-With
當(dāng)使用 XHR 發(fā)送 AJAX 請(qǐng)求時(shí)會(huì)帶上的 Header，常被用于判斷是不是 AJAX 請(qǐng)求。例如在 北郵人論壇 中，你需要：
- def on_start(self):
- self.crawl('http://bbs.byr.cn/board/Python',
- headers={'X-Requested-With': 'XMLHttpRequest'},
- callback=self.index_page)
帶有 headers={'X-Requested-With': 'XMLHttpRequest'} 才能抓取到內(nèi)容。
HTTP Cookie
雖然 Cookie 只是 HTTP Header 中的一個(gè)，但是因?yàn)榉浅Ｖ匾?，但是拿出?lái)說(shuō)一下。Cookie 被 HTTP 請(qǐng)求用來(lái)區(qū)分、追蹤用戶的身份，當(dāng)你在一個(gè)網(wǎng)站登錄的時(shí)候，就是通過(guò)寫入 Cookie 字段來(lái)記錄登錄狀態(tài)的。
當(dāng)遇到需要登錄的網(wǎng)站，你需要通過(guò)設(shè)置 Cookie 參數(shù)，來(lái)請(qǐng)求需要登錄的內(nèi)容。Cookie 可以通過(guò)開發(fā)者工具的請(qǐng)求面板，或者是資源面板中獲得。在 pyspider 中，你也可以使用 response.cookies 獲得返回的 cookie，并使用 self.crawl(URL, cookie={'key': 'value'}) 來(lái)設(shè)置請(qǐng)求的 Cookie 參數(shù)。
標(biāo)題名稱：pyspider爬蟲教程 (2)：AJAX和HTTP
分享URL：http://www.5511xx.com/article/cocggcc.html
