关闭

python爬虫实战(关于工作中遇到的问题)

标签: python爬虫
1077人阅读 评论(0) 收藏 举报
分类:

主要是说一下大体的思路,在爬虫网站的时候遇到乐一些困难,最后解决。
需要爬虫的网站:http://www.jisilu.cn/

在这个网站中,需要对实时投资数据进行爬取,涉及到四个页面分级A分级B母基金分级套利

主要是采集表格中的数据:
这里写图片描述
但是四个页面有一些不同,分级套利界面需要登陆之后,才可以查看当前的数据,而且四个页面的数据都是js动态加载出来的,在前面对于分级A、分级B、母基金页面的时候,采用了python的spynner+pyqt4采集技术,BeautifulSoup解析所采集到的页面数据,这里还是主要说spynner技术采集页面,在采集分级套利界面的时候,页面返回信息提示,当前界面需要登陆才能访问到数据。
理所当然,我百度了网络上登陆所需要的代码和工具。网络抓包工具推荐使用Fiddler4工具。
这里写图片描述
大家可以在左页面获取到url,右边可以查看post或者get数据,还有header头信息和获取到的返回数据。
我当时在这边主要碰到的问题是,我之前所采用的技术spynner是如何设置cookies的,我当时阅读了spynner的源码,发现spynner中是存在设置cookies的方法:
源码:

    @property
    def cookiesjar(self):
        """Compat."""
        return self.manager.cookieJar()

    @property
    def cookiejar(self):
        """Compat."""
        return self.cookiesjar

    def get_cookies(self):
        """Return string containing the current cookies in Mozilla format."""
        return self.cookiesjar.mozillaCookies()

    def set_cookies(self, string_cookies):
        """Set cookies from a string with Mozilla-format cookies."""
        return self.cookiesjar.setMozillaCookies(string_cookies)

主要是set_cookies方法,传入的值需要的格式没有具体说明,一直都搞不明白,直到现在还是不清楚,应该传入的格式,如果有知道的,希望能指点一下。

这个时候,使用urllib2实现了登陆,但是登陆完之后的js动态采集数据,urllib2是获取不到的,用spynner+pyqt4是获取的到js动态加载的数据,此时就产生了分歧,我当时的做法就是想把urllib2所获取到的cookies设置进spynner中,这样结合起来就可以实现登陆,获取动态数据,但是由于spynner设置cookies的困难,使我陷入了进退两难之间,也是这个想法让我陷入的死胡同。

说说我最后是如何采集到数据的,其实很简单,最后在采集的时候已经实现了登陆,那么就算是界面采用js动态加载,但是数据的获取离不开url请求,界面只是负责数据的展现,我在观察Fidder4中的链接,有一个链接是数据的获取,然后我采用这个链接直接获取数据源,这样就不用去获取整个界面的页面,然后解析。

附录
spynner采集代码:

    import spynner
def get_web_a():
    url_a = "http://www.jisilu.cn/data/sfnew/#tlink_3"
    br_a = spynner.Browser()
    if br_a.load(url_a, load_timeout=30):
        print br_a.html
        soup = BeautifulSoup.BeautifulSoup(br_a.html)
        tags = soup.findAll('tr')
        print type(tags)
        for tag in tags:
            print tag

urllib2登陆代码采集代码:

url_login = "http://www.jisilu.cn/account/ajax/login_process/"
url_data = "http://www.jisilu.cn/data/sfnew/arbitrage_vip_list/"

_post_type = "ajax"
net_auto_login = "1"
user_name = ""
password = ""
return_url = "http://www.jisilu.cn/data/sfnew/"
login_params = {
    "user_name": user_name,
    "password": password,
    "return_url": return_url,
    "net_auto_login": net_auto_login,
    "_post_type": _post_type
}

headers = {
    "Referer": "http://www.jisilu.cn/login/",
    "Connection": "keep-alive",
    "Accept": "application/json, text/javascript, */*; q=0.01",
    "User-Agent": "Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.80 Safari/537.36"
}

cj = None
opener = None
req = None
response = None
operate = None


def get_cookielib():
    global cj, opener
    cj = cookielib.LWPCookieJar()
    opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
    urllib2.install_opener(opener)


def login():
    global req, response, operate
    req = urllib2.Request(url_login, urllib.urlencode(login_params), headers=headers)
    response = urllib2.urlopen(req)
    operate = opener.open(req)
    thePage = response.read()
    print thePage
    import time
    timestamp = "%d" % (time.time() * 1000)
    req_data_params = {
        "___t": str(timestamp)
    }

    req = urllib2.Request(url_data, urllib.urlencode(req_data_params), headers=headers)
    response = urllib2.urlopen(req)
    perate = opener.open(req)
    thePage = response.read()
    print thePage # 所需要的数据


0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:42835次
    • 积分:1255
    • 等级:
    • 排名:千里之外
    • 原创:81篇
    • 转载:1篇
    • 译文:1篇
    • 评论:7条
    文章分类
    最新评论