htmlunit抓取动态网页(什么是HTML源码中的内容？如何对网页进行爬取呢？ )

　　htmlunit抓取动态网页(什么是HTML源码中的内容？如何对网页进行爬取呢？

)

　　我们之前抓取的网页大多是 HTML 静态生成的内容。您可以直接从 HTML 源代码中找到您看到的数据和内容。然而，并不是所有的网页都是这样。

　　网站的部分内容是前端JS动态生成的。由于网页呈现的内容是由JS生成的，我们可以在浏览器上看到，但在HTML源代码中是找不到的。比如今天的头条：

　　HTML源代码

　　网页上的新闻在HTML源代码中是找不到的，都是JS动态生成和加载的。

　　在这种情况下，我们应该如何抓取网页呢？有两种方式：

　　1、从网页响应中找到JS脚本返回的JSON数据；2、使用Selenium模拟访问网页

　　这里只介绍第一种方法。关于Selenium的使用有专门的文章。

　　一、从网页响应中查找JS脚本返回的JSON数据

　　即使网页内容是由JS动态生成和加载的，JS也需要调用一个接口，根据接口返回的JSON数据进行加载和渲染。

　　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最后呈现的数据。

　　以今日头条为例来说明：

　　1、找到JS请求的数据接口

　　F12打开网页调试工具

　　网页调试工具

　　选择“网络”选项卡后，我们发现有很多响应。让我们过滤并只查看 XHR 响应。

　　（XHR 是 Ajax 中的一个概念，意思是 XMLHTTPrequest）

　　然后我们发现很多链接都没有了，随便点一个看看：

　　我们选择city，预览中有一串json数据：

　　原来它们都是城市列表，应该用来加载地区新闻。

　　现在你应该明白如何找到JS请求的接口了吧？但是我们刚才并没有找到我们想要的消息，所以再次查找：

　　有一个焦点，我们打开看看：

　　我们打开一个接口链接看看：

　　返回一串乱码，但是从响应中查看的是正常的编码数据：

　　有了对应的数据接口，我们就可以模仿前面的方法向数据接口请求并得到响应

　　2、请求和解析数据接口数据

　　先上传完整代码：

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']

# print news

for n in news:

title = n['title']

img_url = n['image_url']

url = n['media_url']

print(json.dumps(title).decode("unicode-escape"))

print img_url