北邮 python 学堂在线动态请求页面内容爬取

声明：用途仅供学习使用

实验一 爬取学堂在线：

一．实验题目

爬取学堂在线的计算机类课程页面内容
点击跳转学堂在线
要求将课程名称、老师、所属学校和选课人数信息，保存到一个csv文件中。

二．实验环境

Pycharm 3.7.0

三．实验分析

（一）思路分析

1．首先，打开学堂在线的网页，选择计算机课程,浏览器选择检查，发现如下显示：

开始以为按照静态页面进行爬取即可，
将spider.py程序如下实现：

import scrapy

from xtest.items import MyItem  # 从items.py中引入MyItem对象


class mySpider(scrapy.spiders.Spider):
    name = "xtest"  # 爬虫的名字是bupt
    allowed_domains = ["www.xuetangx.com"]  # 允许爬取的网站域名
    start_urls = ["https://www.xuetangx.com/search?query=&org=&classify=1&type=&status=&page=1"]

    def parse(self, response):  # 解析爬取的内容
        item = MyItem()  # 生成一个在items.py中定义好的Myitem对象,用于接收爬取的数据
        for each in response.xpath("/html/body/div/div/div[3]/div[1]/div[1]/div[2]/div[1]"):
            item['name'] = each.xpath("div[2]/p[1]/span/text()").extract()  # 课程名称
           
            item['teacher'] = each.xpath("div[2]/p[2]/span[1]/span[1]/text()").extract()  # 老师昵称
            print(item['teacher'])

            item['school'] = each.xpath("div[2]/p[2]/span[2]/span/text()").extract()  # 开设的学校
          
            item['num'] = each.xpath("div[2]/p[2]/span[3]/text()").extract()  # 选课人数
           
            if item['name'] and item['teacher'] and item['school'] and item['num']:  # 去掉值为空的数据
                yield item  # 返回item数据给到pipelines模块

但是最后执行如下结果显示：

爬虫已经关闭，爬取不了任何数据。

2．最后猜想该查询结果页面的是动态页面，进行网页中，点开检查再次观察，发现以下结果：

现在明确确实是动态页面。
3．然后进一步发现是Ajax类型，以下为截图：

点击打开product_lists可以看见课程的相关信息，正是我们需要爬取的内容，如下所示：

4．基于以上的发现明确进行动态页面的爬取。

（二）实现动态页面爬取

1．找到爬取的链接以及请求的方式：

2．构造header,打开检查，找到Headers选项，查看请求头，如下所示:
’

3．将此代码赋值下来，填充headers的构造，代码如下所示：

4．除了请求头此外，还需要post的提交表格数据。

代码部分：

data='{"query":"","chief_org":[],"classify":["1"],"selling_type":[],"status":[],"appid":10000}'

5．在前面第一步已经分析，采取的是post的页面的请求方法，那么借助
FormRequest函数即可实现post请求。
重写start_request(self)函数，然后经过这个函数不断的循环发送请求，该函数代码实现如下：

6．接着就是解析内容的阶段
根据我们的需求，需要爬取课程名称，老师，所属学校以及课程人数，那么将items.py文件如下实现：

那么对于response返回的内容，使用json.loads处理获取到的json文件，json.loads()函数是将json格式数据转换为字典。

网页header部分显示如下：

由上图可知键分别为data与product_list，那么进行product_list内容如下方式进行提取：

7．为了爬取页面按照1-5的顺序，加上以下语句，延迟下载：

那么spider.py文件就如下所示：

8．然后pipelines进行将数据写入csv文件，那么pipelines.py文件如下所示：

9．最后当然需要将管道打开，那么settings.py文件如下所示：

（三）爬取结果（按照顺序的前五十条记录输出）