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