关于抓取js加载出来的内容抓取

时间：2024-04-14 20:58:11

一.抓取页面

　　url=https://www.xuexi.cn/f997e76a890b0e5a053c57b19f468436/018d244441062d8916dd472a4c6a0a0b.html

　　1..首先通过分析页面会发现该页面中的新闻数据都是动态加载出来的，并且通过抓包工具抓取数据可以发现动态数据也不是ajax请求获取的动态数据（因为没有捕获到ajax请求的数据包），那么只剩下一种可能，该动态数据是js动态生成的。

　　

　　2.通过抓包工具查找到底数据是由哪个js请求产生的动态数据：打开抓包工具，然后对首页url（第一行需求中的url）发起请求，捕获所有的请求数据包。

　　

　

　　　3.分析js数据包响应回来的数据：

　　

 

　　该响应数据对应的url可以在抓包工具对应的该数据包的header选项卡中获取。
获取url后，对其发起请求即可获取上图中选中的相应数据，该响应数据类型为
application/javascript类型，所以可以将获取的响应数据通过正则提取出最外层大括号中的数据，
然后使用json.loads将其转为字典类型，然后逐步解析出数据中所有新闻详情页的url即可。


　　4.获取详情页
　　
- 获取详情页中对应的新闻详情数据：对详情页发起请求后，会发现详情页的新闻数据也是动态加载出来的，
因此还是跟上述步骤一样，在抓包工具中对详情页中的局部数据进行搜索，定位到指定的js数据包
     


　　该js数据包的url为：


　　


　　　详情页url，获取后，即可请求到该数据包对应的响应数据了，该相应数据中就包含了对应新闻详情数据了。


注意，该响应数据的类型同样为application/javascript，所以数据解析同上！



5.总结发现:
　




分析首页中所有新闻的详情页url和新闻详情数据对应的js数据包的url之间的关联：




　　- 首页中某一新闻详情页的url：https://www.xuexi.cn/1ed1e76f885a3c19576e495ad2b279e5/e43e220633a65f9b6d8b53712cba9caa.html




　　- 该新闻详情数据对应的js数据包的url：https://www.xuexi.cn/1ed1e76f885a3c19576e495ad2b279e5/datae43e220633a65f9b6d8b53712cba9caa.js




　　- 所有的新闻详情对应的js数据包的粉色选中部分都是一样的只是红色部分各自不同，但是红色部分却和该新闻详情页的url中的红色部分是相同的！！！新闻详情页的url是可以在上述过程中解析出来的。因此现在就可以批量产生出详情数据对应js数据包的url的，然后批量进行数据请求，获取响应数据，然后对响应数据进行解析即可完成最终的需求！



　　
 




 


 


二.关于该网址的另一个子网页


　　url=https://www.xuexi.cn/261c9a142ef8e6375ed554815a26d585/f2d8ff735982530b7a8c9bb90fa99f68.html


　　　1.　分析发现他的代码不是js动态加载,而是ajax请求得到的一个json文件


           


　　2.再看清一下他的请求头




ajax发起的一个get请求
看了一下contentype:


　　application/octet-stream


真尼玛的啃爹.老子不认识你啊,怎么解?不知道,先睡觉去




 


　　


 


　　最近有学习了一个新的库,jsonpath,感觉好用,解析这个网站刚刚好哦,只需要返回的是json格式就行




#!/usr/bin/env python
# -*- coding: utf-8 -*-
#author tom
import requests
from jsonpath import jsonpath
import json
import pymongo

#抓取
def get_url(url):
    info_list=[]
    data_dic=requests.get(url=url,headers=headers).json()
    print(type(data_dic))
    link_list=jsonpath(data_dic,"$..list..link")
    text_list=jsonpath(data_dic,"$..list..text")
    for (text,link) in zip(text_list,link_list):
        dic={
            \'text\':text,
            \'link\':link
        }
        info_list.append(dic)
　　　　 save(dic)

　　　　#保存到mongodb,其实这样并不好


　　　　#最好是采集完数据再一次性写入,对数据库负担才不大,还没想好,怎么弄



　　　　
        

#保存数据源函数
def save(dic):
    # 连接数据库
    #指定数据库
    client = pymongo.MongoClient(host=\'127.0.0.1\', port=27017)
    db=client.test
    collection=db.xuexi
    collection.save(dic)



if __name__ == \'__main__\':
    url = \'https://www.xuexi.cn/lgdata/261c9a142ef8e6375ed554815a26d585/f2d8ff735982530b7a8c9bb90fa99f68.json\'
    headers ={\'user-agent\':\'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) 
Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0\'}
    get_url(url)




 





            

            
        

	    
	    
    


相关文章