前后端分离有什么了不起，手把手教你用Python爬下来！

大家好，我是早起。

本文一个详细的爬虫进阶教程，里面包含了很详细的思考和试错过程，如果你对学爬虫是认真的，建议认真看。

我们要抓取下面这个网站上的所有图书列表：

https://www.epubit.com/books

1) 探索研究

创建一个新的python文件，写入如下代码：

import requests
url = 'https://www.epubit.com/books'
res = requests.get(url)
print(res.text)

运行发现打印结果如下：

这里面根本没有图书的信息。但使用浏览器检查器可以看到图书的信息：

我们碰到了一个基于前后端分离的网站，或者说一个用JavaScript获取数据的网站。这种网站的数据流程是这样的：

  • 初次请求只返回了网页的基本框架，并没有数据。就是前面截图看到那样。
  • 但网页的基本框架中包含JavaScript的代码，这段代码会再发起一次或者多次请求获取数据。我们称为后续请求。

为了抓取这样的网站，有两个办法：

  1. 分析出后续请求的地址和参数，写代码发起同样的后续请求。
  2. 使用模拟浏览器技术，比如selenium。这种技术可以自动发起后续请求获取数据。

2) 分析后续请求

打开谷歌浏览器的检查器，按图中的指示操作：

  1. 点击Network，这里可以查看浏览器发送的所有网络请求。
  2. 选XHR，查看浏览器用JavaScript发送的请求。
  3. 下面可以看到很多请求。我们要一个个看过去找到包含商品列表的请求。

再来理解一下浏览器打开一个网页的过程，一般并不是一个请求返回了所有的内容，而是包含多个步骤：

  1. 第一个请求获得HTML文件，里面可能包含文字，数据，图片的地址，样式表地址等。HTML文件中并没有直接包含图片。
  2. 浏览器根据HTML中的链接，再次发送请求，读取图片，样式表，基于JavaScript的数据等。

所以我们看到有这么不同类型的请求：XHR, JS，CSS，Img，Font, Doc等。

我们爬取的网站发送了很多个XHR请求，分别用来请求图书列表，网页的菜单，广告信息，页脚信息等。我们要从这些请求中找出图书的请求。

具体操作步骤如图：

  1. 在左边选中请求
  2. 在右边选择Response
  3. 下面可以看到这个请求返回的数据，从数据可以判断是否包含图书信息。

Javascript请求返回的格式通常是JSON格式，这是一种JavaScript的数据格式，里面包含用冒号隔开的一对对数据，比较容易看懂。JSON很像Python中的字典。

在众多的请求中，可以根据请求的名字大致判断，提高效率。比如上图中getUBookList看起来就像是获取图书列表。点开查看，返回的果然是图书列表。

请记住这个链接的地址和格式，后面要用到：

https://www.epubit.com/pubcloud/content/front/portal/getUbookList?page=1&row=20&=&startPrice=&endPrice=&tagId= 分析一下，可以看到：

  1. 网址是：https://www.epubit.com/pubcloud/content/front/portal/getUbookList
  2. page=1表示第1页，我们可以依次传入2，3，4等等。
  3. row=20表示每一页有20本书
  4. startPrice和endPrice表示价格条件，他们的值都是空，表示不设定价格限制。

3) 使用postman测试猜想

为了验证这个设想打开谷歌浏览器，在地址栏中输入以下网址：

https://www.epubit.com/pubcloud/content/front/portal/getUbookList?page=1&row=20&=&startPrice=&endPrice=&tagId=

可是得到了如下的返回结果：

{
    'code': '-7',
    'data': null,
    'msg': '系统临时开小差，请稍后再试~',
    'success': false
}

这并不是系统出了问题，而是系统检测到我们是非正常的请求，拒绝给我们返回数据。

这说明除了发送这个URL，还需要给服务器传送额外的信息，这些信息叫做Header，翻译成中文是请求头的意思。

在下图中可以看到正常的请求中包含了多个请求头：

  1. 选中要查看的请求
  2. 在右边选Headers
  3. 往下翻，可以看到Request Headers，下面就是一项项数据：
    • Accept: application/json, text/plain, /
    • Accept-Encoding:gzip, deflate, br
    • ....

为了让服务器正常处理请求，我们要模拟正常的请求，也添加相应的header。如果给的Header也都一样，服务器根本不可能识别出我们是爬虫。后面我们会学习如何在发送请求时添加header。

但通常服务器并不会检查所有的Header，可能只要添加一两个关键Header就可以骗服务器给我们数据了。但我们要一个个测试那些Header是必须的。

在浏览器中无法添加Header，为了发送带Header的HTTP请求，我们要使用另一个软件叫做Postman。这是一个API开发者和爬虫工程师最常使用的工具之一。

首先在postman的官网下载：www.postman.com。根据指示一步步安装软件，中间没有额外的设置。

打开postman后可以看到如下界面：

  1. 在最上面点击加号，可以添加一个新的请求
  2. 中间填写请求的URL
  3. 点Headers进入Headers的设置界面，添加Header。

这些Header的名字和值可以在检查器中复制过来。如果自己拼写，注意千万不要写错。

我们来了解一下几个常见的header:

  • User-Agent: 这个Header表示请求者是谁，一般是一个包括详细版本信息的浏览器的名字，比如：Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36

    如果爬虫不添加这个Header，服务器一下就能识别出这是不正常请求，可以予以拒绝。当然，是否拒绝取决于程序员的代码逻辑。

  • Cookie: 如果一个网站需要登录，登录的信息就保存在Cookie中。服务器通过这个Header判定是否登陆了，登陆的是谁。

    假设我们要自动在京东商城下单，我们可以先人工登录，复制Cookie的值，用Python发送请求并包含这个Cookie，这样服务器就认为我们已经登陆过了，允许我们下单或做其他操作。如果在程序中加上计时的功能，指定具体下单的时间点，这就是秒杀程序。这是爬取需要登录的网站的一种常用方法。

  • Accept：指浏览器接受什么格式的数据，比如**application/json, text/plain, */***是指接受JSON，文本数据，或者任何数据。

  • Origin-Domain: 是指请求者来自那个域名，这个例子中是：www.epubit.com

关于更多的HTTP的Header，可以在网上搜索HTTP Headers学习。

我一个个添加常用的Header，但服务器一直不返回数据，直到添加了Origin-Domain这个Header。这说明这个Header是必备条件。

网页的后台程序有可能不检查Header，也有可能检查一个Header，也有可能检查多个Header，这都需要我们尝试才能知道。

既然Origin-Domain是关键，也许后台程序只检查这一个Header，我们通过左边的选择框去掉其他的Header，只保留Origin-Domain，请求仍然成功，这说明后台只检查了这一个Header:

然后修改地址栏中的page参数，获取其他的页，比如截图中修改成了3，再发送请求，发现服务器返回了新的数据（其他的20本书）。这样我们的请求过程就成功了。

4) 写抓取程序

开发爬虫，主要的时间是分析，一旦分析清楚了，爬取代码并不复杂：

import requests

def get_page(page=1):    '''抓取指定页的数据，默认是第1页'''    # 使用page动态拼接URL    url = f'https://www.epubit.com/pubcloud/content/front/portal/getUbookList?page={page}&row=20&=&startPrice=&endPrice=&tagId='    headers = {'Origin-Domain': 'www.epubit.com'}    # 请求的时候同时传入headers    res = requests.get(url, headers=headers)     print(res.text)

get_page(5)

这里我们测试了抓取第5页的数据，比对打印出的JSON数据和网页上的第5页数据，结果是匹配的。

现在我们去分析JSON的数据结构，再来完善这个程序。

5) 分析JSON数据

JSON就像Python中的字典，用大括号存放数据，用冒号分割键和值。下面是省略的JSON数据：

{
    'code': '0',
    'data': {
        'current': 1, //第一页
        'pages': 144, //一共几页
        'records': [  //很多本书的信息放在方括号中
            {
                'authors': '[美] 史蒂芬·普拉达（Stephen Prata）',  //作者
                'code': 'UB7209840d845c9', //代码
                'collectCount': 416, //喜欢数
                'commentCount': 64, //评论数
                'discountPrice': 0, //折扣价
                'downebookFlag': 'N',
                'fileType': '',
                ...
            },
            {
                'authors': '笨叔',
                'code': 'UB7263761464b35',
                'collectCount': 21,
                'commentCount': 3,
                'discountPrice': 0,
                'downebookFlag': 'N',
                'fileType': '',
                ...
            },
            ...
        ],
        'size': 20,
        'total': 2871
    },
    'msg': '成功',
    'success': true
}

我们来学习一下这个JSON格式：

  1. 最外面是一个大括号，里面包含了code, data, msg, success四块信息。这个格式是开发这个网页的程序员自己设计的，不同的网页可能不同。
  2. 其中code, msg和sucess表示请求的状态码，请求返回的提示，请求是否成功。而真正的数据都在data中。
  3. data的冒号后面是一个大括号，表示一个数据对象。里面包含了当前页数(current)，总页数(pages)，书的信息(records)等。
  4. records表示很多本书，所以它用一个方括号表示，方括号里面又有很多大括号包起来的数据对象，每个大括号表示一本书。
{    'authors': '[美] 史蒂芬·普拉达（Stephen Prata）', //书名    'code': 'UB7209840d845c9', //代码    'collectCount': 416, //喜欢数    'commentCount': 64,  //评论数    'discountPrice': 0,  //折扣0，表示没有折扣    ...    'forSaleCount': 3,  //在售数量    ...    'logo': 'https://cdn.ptpress.cn/pubcloud/bookImg/A20190961/20200701F892C57D.jpg',    'name': 'C++ Primer Plus 第6版 中文版', //书名    ...    'price': 100.30,  //价格    ...}

每本书的信息有很多个字段，这里省略掉了很多字段，给重要的信息添加了注释。

6) 完成程序

现在来完善上面的程序，从JSON中解析出我们要的数据，为了简化，我们只抓取：书名，作者，编号和价格。

程序框架：

import requests
import json
import time 
class Book:
    # --省略--
def get_page(page=1):
    # --省略--
    books = parse_book(res.text)
    return books
def parse_book(json_text):
    #--省略--

all_books = []
for i in range(1, 10):
    print(f'======抓取第{i}页======')
    books = get_page(i)
    for b in books:
        print(b)
    all_books.extend(books)
    print('抓完一页，休息5秒钟...')
    time.sleep(5)

  1. 定义了Book类来表示一本书
  2. 添加了parse_book函数负责解析数据，返回包含当前页的20本书的list
  3. 最下面使用for循环抓取数据，并放到一个大的列表中，range中添加要抓取的页数。通过前面的分析可以知道一共有几页。
  4. 抓取完一页后，一定要sleep几秒，一是防止给网站带来太大压力，二是防止网站会封锁你的IP，是为他好，也是为了自己好。
  5. 把抓来的信息保存到文件中的代码，请自行完成。

下面来看看，被省略掉的部分：

Book类：

class Book:    def __init__(self, name, code, author, price):        self.name = name        self.code = code        self.author = author        self.price = price

    def __str__(self):        return f'书名：{self.name}，作者：{self.author}，价格：{self.price}，编号：{self.code}'

下面是__str__函数是一个魔法函数，当我们使用print打印一个Book对象的时候，Python会自动调用这个函数。

parse_book函数：

import json

def parse_book(json_text):
    '''根据返回的JSON字符串，解析书的列表'''
    books = []
    # 把JSON字符串转成一个字典dict类
    book_json = json.loads(json_text)
    records = book_json['data']['records']
    for r in records:
        author = r['authors']
        name = r['name']
        code = r['code']
        price = r['price']
        book = Book(name, code, author, price)
        books.append(book)
    return books

  1. 在最上面import了json模块，这是Python自带的，不用安装
  2. 关键的代码就是使用json把抓来的JSON字符串转成字典，剩下的是对字典的操作，就很容易理解了。

抓取基于JavaScript的网页，复杂主要在于分析过程，一旦分析完成了，抓取的代码比HTML的页面还要更简单清爽。

赞 (0)

相关推荐