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