Python爬虫抓取动态加载数据
本节讲解如何抓取豆瓣电影"分类排行榜"中的电影数据(https://movie.douban.com/chart),比如输入"犯罪"则会输出所有犯罪影片的电影名称、评分,效果如下所示:剧情|喜剧|动作|爱情|科幻|动画|悬疑|惊悚|恐怖|纪录片|短片|情色|同性|音乐|歌舞|家庭|儿童|传记|历史|战争|犯罪|西部|奇幻|冒险|灾难|武侠|古装|运动|黑色电影| 你想了解什么类型电影:犯罪 {"name": "肖申克的救赎", "score": 9.7} {"name": "控方证人", "score": 9.6} ... 电影总数量:302部123456复制代码类型:[python]确定网站类型
首先要明确豆瓣电影网站的类型,即是动态还是静态。检查方法:右键查看网页源码—>搜索"辛德勒的名单"关键字,如下图所示:
最终发现源码页中没有出现想要抓取的数据,只有一大堆的JS代码,由此确定该网站为动态网站。影片详情信息
接下来,使用快捷键F12打开控制台进行抓包,点击NetWork选项卡—>XHR选项—>Preview选项卡—>刷新当前页面抓取数据包,如下图所示:
从图2可知,我们想要抓取的数据取全部包含在当前的数据包中。当我们向下滚动鼠标滑轮时,左侧栏内的数据包会实现自动加载,这是使用Ajax异步加载技术实现的。
通过查看数据Headers选项可以明确url地址、查询参数等信息,如下所示:
从上图可以得知请求的基准URL(由于还未拼接查询参数,所以称之为基准URL),如下所示:"https://movie.douban.com/j/chart/top_list?"1复制代码类型:[python]
继续滚动鼠标滑轮可知查询参数具有如下规律:type: 4 # 电影类型 interval_id: 100:90 #代表网页上滑动条的百分比(好于100%-90%的历史片) action: "" # 空 start: 0 # 每次加载电影的起始索引值 0 20 40 60 limit: 20 # 每次加载的电影数量,1为初始值,后续加载时20固定不变12345复制代码类型:[python]
注意:寻找规律时,后加载出来的数据包会排在最前面,除去第一个数据包外,其余数据包如下所示:影片总数量
注意:第一个数据包反映了每个类型中电影的总数量,其url与响应信息如下:请求的URL地址 : https://movie.douban.com/j/chart/top_list_count?type=4&interval_id=100%3A90 Response信息:{"playable_count":41,"total":104,"unwatched_count":104}12复制代码类型:[java]影片类型与类型码
影片的类型与类型码包含在电影排行榜的主界面中,如下所示:
分析上述页面结构,然后使用正则表达式来提取想要的数据,并定义选择菜单"menu",代码如下所示:import re def get_all_type_films(self): # 获取影片类型和类型码 url = "https://movie.douban.com/chart" headers = self.get_headers() html = requests.get(url=url, headers=headers).text re_bds = r"" pattern = re.compile(re_bds, re.S) r_list = pattern.findall(html) # 存放所有类型和对应类型码大字典 type_dict = {} # 定义一个选择电影类型的菜单 menu = "" # r_list[{"剧情 , 11"},{},..] for r in r_list: type_dict[r[0].strip()] = r[1].strip() # 获取input的菜单,显示所有电影类型 menu += r[0].strip() + "|" #返回类型字典以供后续函数调用,并返回输入菜单menu # {"剧情": "11", "喜剧": "24",...} return type_dict, menu 12345678910111213141516171819202122复制代码类型:[python]编写完整程序
完成上述分析后,下面开始编写Python爬虫程序,代码如下:#coding:utf8 import requests import time import random import re import json from ua_info import ua_list class DoubanSpider(object): def __init__(self): self.url = "https://movie.douban.com/j/chart/top_list?" self.i = 0 # 获取随机headers def get_headers(self): headers = {"User-Agent":random.choice(ua_list)} return headers # 获取页面 def get_page(self,params): # 将json转换为 python 数据类型,并返回 html = requests.get(url=self.url,params=params,headers=self.get_headers()).text html=json.loads(html) self.parse_page(html) # 解析并保存数据 def parse_page(self,html): item = {} # html列表类型: [{电影1},{电影2},{电影3}...] for one in html: # 名称 + 评分 item["name"] = one["title"].strip() item["score"] = float(one["score"].strip()) print(item) self.i += 1 # 获取电影总数 def total_number(self,type_number): # F12抓包抓到的地址,type表示电影类型 url = "https://movie.douban.com/j/chart/top_list_count?type={}&interval_id=100%3A90".format(type_number) headers = self.get_headers() html = requests.get(url=url,headers=headers).json() total = int(html["total"]) return total # 获取所有电影的类型和对应type值 def get_all_type_films(self): # 获取类型与类型码 url = "https://movie.douban.com/chart" headers = self.get_headers() html = requests.get(url=url,headers=headers).text re_bds = r"" pattern = re.compile(re_bds,re.S) r_list = pattern.findall(html) # 存放所有类型和对应类型码大字典 type_dict = {} #定义一个选择电影类型的菜单 menu = "" for r in r_list: type_dict[r[0].strip()] = r[1].strip() # 获取input的菜单,显示所有电影类型 menu += r[0].strip() + "|" return type_dict,menu # 主程序入口函数 def main(self): # 获取type的值 type_dict,menu = self.get_all_type_films() menu = menu + " 你想了解什么类型电影:" name = input(menu) type_number = type_dict[name] # 获取电影总数 total = self.total_number(type_number) for start in range(0,(total+1),20): #构建查询参数 params = { "type" : type_number, "interval_id" : "100:90", "action" : "", "start" : str(start), "limit" : "20" } # 调用函数,传递params参数 self.get_page(params) # 随机休眠1-3秒 time.sleep(random.randint(1,3)) print("电影总数量:%d部"%self.i ) if __name__ == "__main__": spider = DoubanSpider() spider.main()1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818283复制代码类型:[python]
输出示例:剧情|喜剧|动作|爱情|科幻|动画|悬疑|惊悚|恐怖|纪录片|短片|情色|同性|音乐|歌舞|家庭|儿童|传记|历史|战争|犯罪|西部|奇幻|冒险|灾难|武侠|古装|运动|黑色电影| 你想了解什么类型电影:科幻 {"name": "盗梦空间", "score": 9.3} {"name": "星际穿越", "score": 9.3} {"name": "楚门的世界", "score": 9.3} {"name": "机器人总动员", "score": 9.3} {"name": "蝙蝠侠:黑暗骑士", "score": 9.2} {"name": "超感猎杀:完结特别篇", "score": 9.2} {"name": "新世纪福音战士 第0:0话 诞生之始", "score": 9.2} {"name": "少年骇客:变身之谜", "score": 9.2} ... ... 电影总数量:147部12345678910111213复制代码类型:[python]
最后我们对抓取动态网站数据做简单地总结:
1.确定网站是否为动态网站,通过查看源码搜索相应的关键字即可确定。
2.动态网站主要通过异步方式加载数据。触发数据加载的JS事件主要有滚动鼠标滑轮、鼠标点击、拉动滚动条等有关动作,也有一些网站通过局部更新的方式加载数据,比如有道翻译案例。
新闻资讯-开课吧广场_第1页
余额宝大手笔庆生!100亿体验金轻轻松松瓜分到手作为余额宝忠实用户,今天首先我要深深地祝福它生日快乐啊啊啊啊啊啊!6岁,真是一个可爱的年龄呢然后,我想告诉大家,它为我们准备了100亿surprise堆堆乐狂撒100亿体验金。来来
比亚迪唐EV累计向挪威发运超1000台日前,我们从比亚迪官方了解到,将有450台比亚迪唐(参数询价)EV车型在广州港集结,启程前往挪威。至此,比亚迪已累计向挪威发运超1000台唐EV。今年5月,比亚迪对外宣布,将挪威作
买到就是赚到,呼伦贝尔宋MAX最高优惠4。22今天给大家推荐一款车它就是宋MAX,特别适合日常使用,据悉比亚迪益丰祥泰店10月11日10月11日限时回馈用户,直降0。4万元,对宋MAX感兴趣的朋友不妨亲自体验一下促销时间202
比亚迪9月销量同比增长93。2,环比增长16。9日前,比亚迪公布了9月销量数据,乘用车9月全系共销售79037辆,同比增长93。2,环比增长16。9其中新能源乘用车销售70022辆,同比增长276。4。在新能源乘用车当中,DM混
呼伦贝尔南屯汽车城比亚迪4S店进店享优惠近年来,国内的经济增长迅速,国内的汽车保有量蹭蹭的上涨,虽然说目前市场开始疲软,但是国人对于汽车的热情依旧是高涨,不少的老百姓对于豪车以及新车型都保持着高度的关注,当然也时刻关注着
比亚迪F3出租汽车的首选。近年来,国内的经济增长迅速,国内的汽车保有量蹭蹭的上涨,虽然说目前市场开始疲软,但是国人对于汽车的热情依旧是高涨,不少的老百姓对于豪车以及新车型都保持着高度的关注,当然也时刻关注着
呼伦贝尔比亚迪4S店欢迎您来试乘试驾新能源汽车近年来,国内的经济增长迅速,国内的汽车保有量蹭蹭的上涨,虽然说目前市场开始疲软,但是国人对于汽车的热情依旧是高涨,不少的老百姓对于豪车以及新车型都保持着高度的关注,当然也时刻关注着
比亚迪在中国新能源汽车市场中的开拓者和引领者地位2003年开始研发,2008年正式上市的混合动力车型比亚迪F3DM,是中国品牌首款量产插电式混合动力汽车。这款具有里程碑式意义的车型奠定了比亚迪在中国新能源汽车市场中的开拓者和引领
中国2030年实现碳达峰,2060年实现碳中和的战略目标日前,我们从比亚迪官方了解到,将有450台比亚迪唐(参数询价)EV车型在广州港集结,启程前往挪威。至此,比亚迪已累计向挪威发运超1000台唐EV。今年5月,比亚迪对外宣布,将挪威作
马云为消费者做了这件好事16年,没有一家电商能抄袭!这几天,西安奔驰女车主的案子刷爆了屏幕。她的学历她的知性她的克制最后无奈坐在引擎盖上撒泼都扎痛了所有人的心,只有撒泼才能获得正当权益吗?视频加载中21世纪了,最缺什么?最缺信任!按
迎国庆比亚迪唐EV大让利刚刚小编在车友圈看到好多朋友都在讨论唐EV直降5。48,这么诱人的降价幅度,想要购车的朋友们不考虑一下趁机拿下?比亚迪益丰祥泰店,活动时间即日起到09月07日,机会难得,不容错过,