python抓取动态网页(爬取《Python网络爬虫》动态网页抓取的两种技术)

　　python抓取动态网页(爬取《Python网络爬虫》动态网页抓取的两种技术)

　　由于主流网站，使用JavaScript显示web内容，静态网页的前面简单是不同的。当使用JavaScript，许多内容将不会出现在HTML源代码，但在HTML源位置的JavaScript代码的最后一节，最后给出的数据是由JavaScript提取服务器返回的数据进行渲染。因此，抓取静态网页的技术可能无法正常使用。因此，我们需要由动态网页捕获两种技术：

　　1.通过浏览器审查元件解析所述实际网页地址;

　　2.使用硒，模拟浏览器。

　　我们首先先介绍第一种方法。

　　以“Python的网络爬虫：从入门到实践”一书的作者的个人博客作为一个例子。网址：1） “队长”：找到真正的数据地址

　　右键单击“检查”，单击“网络”，选择“JS”。刷新页面，选择当页面刷新列出的数据，并选择此JS文件。检查右边的头。如该图所示：

　　

　　，其中请求URL是一个真正的数据地址。

　　滚动鼠标滚轮在该状态下，找到用户代理。

　　

　　2）相关的代码：

　　import requests

import json

headers={'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}

link="https://api-zero.livere.com/v1/comments/list?callback=jQuery112405600294326674093_1523687034324&limit=10&offset=2&repSeq=3871836&requestPath=%2Fv1%2Fcomments%2Flist&consumerSeq=1020&livereSeq=28583&smartloginSeq=5154&_=1523687034329"

r=requests.get(link,headers=headers)

# 获取 json 的 string

json_string = r.text

json_string = json_string[json_string.find('{'):-2]

json_data=json.loads(json_string)

comment_list=json_data['results']['parents']

for eachone in comment_list:

message=eachone['content']

print(message)

　　输出：

　　现在死在了4.2节上，页面评论是有的，但是XHR里没有东西啊，这是什么情况？有解决的大神吗？

为何静态网页抓取不了？

奇怪了，我按照书上的方法来操作，XHR也是空的啊

XHR没有显示任何东西啊。奇怪。

找到原因了

caps["marionette"] = True

作者可以解释一下这句话是干什么的吗

我用的是 pycham IDE，按照作者的写法写的，怎么不行

对火狐版本有要求吗

4.3.1 打开Hello World,代码用的作者的，火狐地址我也设置了，为啥运行没反应

from selenium import webdriver

from selenium.webdriver.firefox.firefox_binary import FirefoxBinary

caps = webdriver.DesiredCapabilities().FIREFOX

caps["marionette"] = False

binary = FirefoxBinary(r'C:\Program Files\Mozilla Firefox\firefox.exe')

#把上述地址改成你电脑中Firefox程序的地址

driver = webdriver.Firefox(firefox_binary=binary, capabilities=caps)

driver.get("http://www.santostang.com/2017/03/02/hello-world/")

我是番茄

为什么刷新没有XHR数据，评论明明加载出来了

　　代码分析：

　　1）对于代Ĵj_string.find（）API分辨率：

　　Docstring:

S.find(sub[, start[, end]]) -> int

Return the lowest index in S where substring sub is found,

such that sub is contained within S[start:end]. Optional

arguments start and end are interpreted as in slice notation.

Return -1 on failure.

Type: method_descriptor

　　所以代码JSON_STRING.FIND（ '{'）返回 “{” 在json_string串的索引位置。

　　2）如果添加代码打印在你的代码json_string，输出的结果是（因为过多的输出内容，只有起点和终点，在关键位置是在红色标记）：

　　/**/ typeof jQuery112405600294326674093_1523687034324 === 'function' && jQuery112405600294326674093_1523687034324({"results":{"parents":[{"replySeq":33365104,"name":"骨犬","memberId":"B9E06FBF9013D49CADBB5B623E8226C8","memberIcon":"http://q.qlogo.cn/qqapp/101256433/B9E06FBF9013D49CADBB5B623E8226C8/100","memberUrl":"https://qq.com/","memberDomain":"qq","good":0,"bad":0,"police":0,"parentSeq":33365104,"directSeq":0,"shortUrl":null,"title":"Hello world! - 数据科学@唐松

Santos","site":"http://www.santostang.com/2017/03/02/hello-world/","email":null,"ipAddress":"27.210.192.241","isMobile":"0","agent":"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.108 Safari/537.36 2345Explorer/8.8.3.16721","septSns":null,"targetService":null,"targetUserName":null,"info1":null,"info2":null,"info3":null,"image1":null,"image2":null,"image3":null,"link1":null,"link2":null,"link3":null,"isSecret":0,"isModified":0,"confirm":0,"subCount":1,"regdate":"2018-01-01T06:27:50.000Z","deletedDate":null,"file1":null,"file2":null,"file3":null,"additionalSeq":0,"content":"现在死在了4.2节上，页面评论是有的，但是XHR里没有东西啊，这是什么情况？有解决的大神吗？"

。。。。。。。。。 tent":"我的也是提示火狐版本不匹配，你解决了吗","quotationSeq":null,"quotationContent":null,"consumerSeq":1020,"livereSeq":28583,"repSeq":3871836,"memberGroupSeq":26828779,"memberSeq":27312353,"status":0,"repGroupSeq":0,"adminSeq":25413747,"deleteReason":null,"sticker":0,"version":null}],"quotations":[]},"resultCode":200,"resultMessage":"Okay, livere"});

　　从上述输出的输出已知的，我们加入JSON_STRING = JSON_STRING [JSON_STRING.FIND（ '{'）： - 2]。在您的代码

　　如果json_string.find（“{”）不添加，结果是不合法的JSON格式，不能顺利形成JSON文件;如果它不拦截第二比特，结果含有过量）;它也无法合法JSON格式。

　　3）对于在中间[“内容”]代码comment_list = json_data [“结果”] [“父母”]和消息中的字符串型标签在中间支架，可以是2）关键部件查找，即，由“结果”和“父母”拦截合法JSON文件使用了两个中间支架一步一步的位置，因为我们爬的评论，其内容是在这个JSON文件中的“内容“标签，使用[” 内容“]来的位置。

　　据观察，OFFSET在真实数据地址的页面的数量。