Ajax分析与爬取实战

爬取目标

一个示例网站，其链接为：https://spa1.scrape.center/ ，改示例网站的数据请求是通过Ajax完成的，页面内容是通过JavaScript渲染出来的，页面加载如下图所示：

分析步骤

• 分析页面数据的加载逻辑
• 用requests实现Ajax数据的爬取
• 将每部电影的数据分别保存到MysqL数据库中

页面分析

如果我们直接通过requests.get(url)来获取页面，结果如下，可以发现返回内容并非是浏览器渲染的源码，说明我们看到的整个页面都是由JavaScript和CSS文件渲染得到的，浏览器执行了HTML引用的JavaScript文件，JavaScript通过调用一些数据加载和页面渲染方法，才最终呈现了完整页面。

所以，打开浏览器开发者模式，点击网络模块-XHR。重新加载页面，切换下一页时，可以发现浏览器发送了一些请求，查看相应内容，就是页面的内容数据

代码实例

# -*- UTF-8 -*-
"""
@File:spa1_179.py
@Description:
@Author:echohye
@Date:2022/01/31 20:08
"""

import json
import pyMysqL
import requests

urls = [
    f'https://spa1.scrape.center/api/movie/?limit=10&offset={page * 10}'
    for page in range(10)
]

# 获取url对应源码
def craw(url):
    r = requests.get(url)
    return r.text


# 解析源码
def parse(html):
    obj = json.loads(html)['results']
    return obj

# 保存数据
def save_data():
    # 'id': 1,
    # 'name': '霸王别姬',
    # 'alias': 'farewell My Concubine',
    # 'cover': 'https://p0.meituan.net/movie/ce4da3e03e655b5b88ed31b5cd7896cf62472.jpg@464w_644h_1e_1c',
    # 'categories': ['剧情', '爱情'],
    # 'published_at': '1993-07-26',
    # 'minute': 171,
    # 'score': 9.5,
    # 'regions': ['中国内地', '中国香港']}
    db = pyMysqL.Connect(host='localhost', user='root', password='zhy123', port=3306, db='spiders')
    cursor = db.cursor()
    table_sql = "create table if not exists ajax_p179(id int not null,name varchar(255) not null,alias varchar(255),cover varchar(255)" \
                ",categories varchar(255), published_at varchar(255),minute varchar(255),score double,regions varchar(255))"
    cursor.execute(table_sql)
    for url in urls:
        try:
            for result in parse(craw(url)):
                sql = "insert into ajax_p179(id,name,alias,cover,categories,published_at,minute,score,regions) " \
                      f"values({result.get('id')},\"{result.get('name')}\",\"{result.get('alias')}\",'{result.get('cover')}',\"{result.get('categories')}\"," \
                      f"'{result.get('published_at')}','{result.get('minute')}',{result.get('score')},\"{result.get('regions')}\")"
                cursor.execute(sql)
                db.commit()

        except Exception as e:
            print(e.args)
            db.rollback()
        print("successful")
    db.close()


if __name__ == '__main__':
    save_data()