python获取动态网站上面的动态加载的数据（初级）

我们在处理一些网站数据的时候，有时候我们需要的数据很多都是动态加载的，而不都是静态的，以下以一个实例来介绍简单的获取动态数据，首先申明本人小白，还在学习python中，这个方法还是比较笨拙的，但是对于初学者还是需要知道的。

首先我们的要求是获取下面文章的参考文献：

刚刚开始，我的想法是使用lxml、BeatifulSoup、正则表达式来处理，这几个是处理静态网站的常用方法，查看网页源码我们会发现相应的div里面是空，也就是说上面的数据不是静态的，而是后面动态加载的，利用googl浏览器可以看到：

python获取动态网站上面的动态加载的数据（初级）

标记的三个对应了网站里面的相似文献、参考文献、引证文献，我们需要的是参考文献，所以点击第二个：

python获取动态网站上面的动态加载的数据（初级）

我们可以看到数据就在里面，然后点击Header，复制里面的URL：

python获取动态网站上面的动态加载的数据（初级）

利用下面的代码就可以获取相应的数据了：

#-*- coding:utf-8 -*-

import requests

url='http://xueshu.baidu.com/usercenter/data/schpaper?callback=jQuery110208239584223582068_1502539053728&wd=citepaperuri%3A(17d24f9533609a132a16703fde60ce19)&req_url=http%3A%2F%2Fwww.oalib.com%2Fpaper%2F4015889&type=reference&rn=10&page_no=1'

data=requests.get(url)

print data

但是如果要获取所有的参考文献怎么办，我们不能一个链接一个链接的复制，那不就特别麻烦，下面是代码的改进，首先我们要知道总共有多少页参考文献，也就是URL里面的page_no的·值，以下为改进的代码：（其实我们也可以直接估计有50页参考文献，然后使用try。。。except。。。来获取异常也是可以的）

#-*- coding:utf-8 -*-

import requests

n=相关页数

url='http://xueshu.baidu.com/usercenter/data/schpaper?callback=jQuery110208239584223582068_1502539053728&wd=citepaperuri%3A(17d24f9533609a132a16703fde60ce19)&req_url=http%3A%2F%2Fwww.oalib.com%2Fpaper%2F4015889&type=reference&rn=10&page_no='

for i in  range(1,n+1):

    data=requests.get(url+str(i))

    print data

返回值是json格式的，剩下的就是处理json格式了（记得除去返回的多余数据），参见：http://www.cnblogs.com/ybf-yyj/articles/7351580.html。

以下贴上所有代码：

#-*- coding:utf-8 -*-

import requests

import re

import json

def get_reference(url):

    data=requests.get(url)

    json_datas=data.content

    #使用贪婪算法的正则表达式获取json类型的字符串

    json_data = re.compile(r"{.*}")

    json_data = json_data.search(json_datas).group()

    # 将获取的json字符串转化为字典

    title_data=json.loads(json_data)

    n=title_data.get('data').get("resultList")

    for i in range(0,len(n)):

        try:

            print 'reference:',

            print n[i].get('meta_di_info').get('sc_title')[0]

            for i in n[i].get('meta_di_info').get('sc_author'):

                print i.get('sc_name')[1]+u',',

            print '\n'

        except:

            print i

n=4

url='http://xueshu.baidu.com/usercenter/data/schpaper?callback=jQuery110204974031490917943_1502604841329&wd=citepaperuri%3A(0689fe98fd34a1aac82d41225ad9ceca)&req_url=http%3A%2F%2Feuropepmc.org%2Fabstract%2Fmed%2F24235252&type=reference&rn=10&page_no='

for i in  range(1,n+1):

    get_reference(url+str(i))

秒客网

python获取动态网站上面的动态加载的数据（初级）

相关文章