Python技能共建】动态渲染页面爬取 R13

网友投稿 666 2022-05-29

Python 动态渲染页面爬取

动态渲染页面爬取最常见的就是面向接口的爬虫,在采集过程中需要首先分析出其接口地址,本文将带来 2 个基于接口的爬虫。

怎么用

目标站点【一派话题广场】分析

本篇博客的第一个采集目标站点是:https://Base64加密站点/matrix/pods,少数派网站的一个子级栏目。

目标站点采用 base64加密 c3NwYWkuY29t

目标数据所在界面如下图所示:

通过开发者工具,不断下拉加载页面,得到的接口请求规则如下:

https://Base64加密站点/api/v1/bullet/search/page/get?type=0&limit=10&offset=0&created_at=0 https://Base64加密站点/api/v1/bullet/search/page/get?type=0&limit=10&offset=10&created_at=0 https://Base64加密站点/api/v1/bullet/search/page/get?type=0&limit=10&offset=20&created_at=0 https://Base64加密站点/api/v1/bullet/search/page/get?type=0&limit=10&offset=30&created_at=0

其中参数除 offset 变化外,其余无变化,其中 limit 参数应该为每个数据量,基于此逻辑,请求接口可以通过代码进行批量生成,实测过程发现数据量也不大,只有 6 页。

下述代码采用了后进先出队列 LifoQueue,没有特殊原因,单纯给大家展示一下用法。

# 初始化一个队列 q = LifoQueue(maxsize=0) # 批量生成请求地址链接 for page in range(1, 7): # https://sspai.com/api/v1/bullet/search/page/get?type=0&limit=10&offset=0&created_at=0 q.put('https://Base64加密站点/api/v1/bullet/search/page/get?type=0&limit=10&offset={}&created_at=0'.format((page-1)*10))

请求地址批量生成完毕之后,可以开始获取接口返回的数据了,具体代码如下,核心关注 main 部分内容。

# 请求头函数,可以参考之前的系列文章 def get_headers(): uas = [ "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)", "Mozilla/5.0 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)" ] ua = random.choice(uas) headers = { "user-agent": ua } return headers # 储存数据 def save(text): # 文件名使用时间戳命名 with open(f'{time.time()}.json', 'a+', encoding='utf-8') as f: f.write(text) print(text, "--- 保存成功") if __name__ == "__main__": # 判断队列是否为空,空则停止循环 while q.qsize() > 0: # 获取一个 URL url = q.get() # 通知任务已经完成 q.task_done() # 获取相应数据 res = requests.get(url=url, headers=get_headers(), timeout=10) # 调用保存函数 save(res.text) q.join() print("所有任务都已完成")

因为上述案例实在太简单,连多线程都不用,所以我基于【话题广场】关键字,查询是否还有其它可用于 学习目的 相关站点,结果还真被我发现一个。

话题广场 - 集思录

集思录,一个以数据为本的投资社区,https://Python脱敏处理/topic/。

目标站点使用 base64 编码:d3d3Lmppc2lsdS5jbg==

每一个话题下面,都有很多问题,完美符合生产者消费者模型。

编码逻辑分析

由于在列表页之前,还存在一个层级-【热门话题】,所以需要提前准备好待抓取队列。

# 热门话题列表页待抓取链接 hot_subjects = Queue(maxsize=0) for i in range(1, 11): url = f'https://Python脱敏处理/topic/square/id-hot__feature_id-__page-{i}' hot_subjects.put(url)

接下来生产函数用于产生列表页数据,到提前初始化好的 q_data_ids 队列中,其中 get_headers 函数,参考前文即可。

def get_headers(): uas = [ "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)", "Mozilla/5.0 (compatible; Baiduspider-render/2.0; +http://www.baidu.com/search/spider.html)" ] ua = random.choice(uas) headers = { "user-agent": ua } return headers # 初始化一个队列 q_data_ids = Queue(maxsize=0) # 生产函数,用于产生话题列表页 URL def producer(): while hot_subjects.qsize() > 0: # 取得一个分类页请求地址 list_url = hot_subjects.get() hot_subjects.task_done() print("正在解析:", list_url) # 获取话题列表页相应数据 res = requests.get(list_url, headers=get_headers(), timeout=3) # 解析,获取话题详情页进入的关键参数 `data-id`,代码后有对于该关键字的说明 element = etree.HTML(res.text) data_ids = element.xpath('//a[@class="aw-topic-name"]/@data-id') for data_id in data_ids: q_data_ids.put(data_id)

上述代码最重要的是捕获 data-id,即热门话题的 ID 队列,该 ID 值会用在消费者函数中,用于请求详情页数据。

接下来就是消费者函数的实现,该逻辑主要用于抓取下图所示数据。

以上数据在测试过程中发现如下接口格式,其中 data_id 在生产者中产生,start_page 由循环迭代生成。

https://Python脱敏处理/question/ajax/discuss/sort_type-new__topic_id-{data_id}__page-{start_page}

上述地址即为最后目标数据所在地址,我们需要拼凑出标准地址,然后再对 start_page 页码,进行迭代,遍历获取全部数据。

学习时请注意下述代码注释,技术层级难度不大,重点为实现逻辑。

# 消费者函数 def consumer(): # 死循环读取 data_id 值,用于拼凑话题详情页数据 while True: # 取一个分类ID data_id = q_data_ids.get() q_data_ids.task_done() if data_id is None: break # start_page 初始值设置为 1,即从第一个开始读取数据 start_page = 1 # URL 拼接 url = f'https://Python脱敏处理/question/ajax/discuss/sort_type-new__topic_id-{data_id}__page-{start_page}' res = requests.get(url=url, headers=get_headers(), timeout=5) text = res.text # 通过判断 text 是否为空,确定是否继续解析数据 while len(text) > 0: url = f'https://Python脱敏处理/question/ajax/discuss/sort_type-new__topic_id-{data_id}__page-{start_page}' res = requests.get(url=url, headers=get_headers(), timeout=5) # print(res.url) text = res.text start_page += 1 # 如果 text 不为空,则解析数据,并存储数据 if len(text)>0: element = etree.HTML(res.text) titles = element.xpath('//h4/a/text()') urls = element.xpath('//h4/a/@href') names = element.xpath('//a[@class="aw-user-name"]/text()') data = zip(titles,names,urls) save_list = [f"{item[0]},{item[1]},{item[2]}\n" for item in data] long_str = "".join(save_list) with open("./data.csv","a+",encoding="utf-8") as f: f.write(long_str)

【Python技能树共建】动态渲染页面爬取 R13

该程序实现的步骤与逻辑相对会绕一些,故通过下图你可以再复盘进行理解,按照步骤 1,2,3 进行学习。

函数运行可是采用多线程实现,具体如下:

# 开启2个生产者线程 for p_in in range(1, 3): p = threading.Thread(target=producer) p.start() # 开启2个消费者线程 for p_in in range(1, 2): p = threading.Thread(target=consumer) p.start()

Python 渲染

版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。

上一篇:玩转Redis学习总结及面试题汇总
下一篇:如何用Sonic云真机打王者
相关文章