python爬虫实战（关于工作中遇到的问题）

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：

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。

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