摘要:本文主要向大家介绍了Python爬虫实战:分析Ajax请求-抓取今日头条信息,通过具体的内容向大家展示,希望对大家学习Python语言有所帮助。
本文主要向大家介绍了Python爬虫实战:分析Ajax请求-抓取今日头条信息,通过具体的内容向大家展示,希望对大家学习Python语言有所帮助。
学习目的:
解决AJAX请求的爬虫,网页解析库的学习,MongoDB的简单应用
正式步骤
Step1:流程分析
抓取单页内容:利用requests请求目标站点,得到单个页面的html代码,返回结果;
抓取页面详情内容:解析返回结果,得到详情页的链接,并进一步抓取详情页的信息;
下载图片并保存数据库:将图片下载到本地,把页面信息及图片url保存至MongoDB;
开启循环及多线程:对多页面内容遍历,开启多线程并提高抓取效率。
Step2:实例分析
1. 打开今日头条搜索页,搜索“中超”,查看页面的请求方法为:GET
2. 创建一个Python文件:spider_ajax.py
3.网站url信息获取
4. 打印抓取的文章超链接和抓取的html内容
# -*- coding:utf-8 -*-import jsonfrom urllib.parse import urlencodefrom requests.exceptions import RequestExceptionimport requestsdef get_page_html(offset,keyword):
data = { 'offset':offset, 'format':'json', 'keyword':keyword, 'autoload':'true', 'count':'20', 'cur_tab':1
}# urlencode把字典对象自动转化为url参数,# 快速导入,请选中以后,按alt+enter
url = 'https://www.toutiao.com/search_content/?' + urlencode(data) try:
response = requests.get(url) if response.status_code == 200: return response.text return None
except RequestException:
print('请求索引页失败') return Nonedef parse_page_index(html):#因为html打印出来是json字符串格式,json.loads作用是将已编码的 JSON 字符串解码为 Python 对象# json.dumps作用是将 Python 对象编码成 JSON 字符串#参考//www.runoob.com/python/python-json.html
data = json.loads(html) if data and 'data' in data.keys(): for item in data.get('data'): yield item.get('article_url')def main():
html = get_page_html(0,'中超')#打印抓取的文章详细内容的url
for url in parse_page_index(html):
print(url)#打印获取页面内容
print(html)if __name__ == '__main__':
main()
后面的内容因为爬虫被封,很多信息获取不到,暂时不会,以后再补全这节内容
本文由职坐标整理并发布,了解更多内容,请关注职坐标编程语言Python频道!
您输入的评论内容中包含违禁敏感词
我知道了
请输入正确的手机号码
请输入正确的验证码
您今天的短信下发次数太多了,明天再试试吧!
我们会在第一时间安排职业规划师联系您!
您也可以联系我们的职业规划师咨询:
版权所有 职坐标-一站式IT培训就业服务领导者 沪ICP备13042190号-4
上海海同信息科技有限公司 Copyright ©2015 www.zhizuobiao.com,All Rights Reserved.
沪公网安备 31011502005948号