Python爬虫爬取肯德基餐厅信息案例实现(含源码及详细解释)

1. 需求: 爬取肯德基某一地区的餐厅数量以及其具体信息 (以下代码我仅仅展示出餐厅的店名信息，并将其用列表方式保存在.txt文件中)
2.学习python爬虫的好课推荐: b站上的路飞学城IT，提醒：该课程适合对web、计算机网络和python有一定基础的朋友学习，因为爬虫需要对页面源码进行分析，所以有以上基础更加容易入门。此外，学习爬虫的过程其实也是学习python的过程，没有必要为了爬虫专门先学习python，这样容易懈怠学习爬虫的动力。
3. 过程:
第一步：首先进入到需要爬取的静态页面，其网址为: http://www.kfc.com.cn/kfccda/storelist/index.aspx
第二步: Fn+F12，查看页面源码，并对页面源码进行分析。我们可以在下图的搜索框中输入一个城市的名字，比方说: 沈阳，然后点击搜索，发现页面的地址不变，但是页面的内容改变了；页面中用分页技术显示了该地区的肯德基分店的信息。点击第二页，发现页面的地址也没有变，以上说明这是一个ajax的请求，是异步请求服务器、动态刷新页面。

接着，按照Network-XHR(因为是ajax异步请求)的顺序，发现目前没有请求发往服务器端，所以在关键字处输入查询的城市名，发现此时接收到新的信息：
我们对该请求进行分析，可以找到请求头部的url，并发现该请求是用post方法请求的。在Request Headers处可以找到User-Agent的信息，也就是本机的UA。

下面是请求头：
在From data中可以找到post请求携带的数据:

从以上我们可以分析得知，携带的请求数据一共包含了五个键值对，不难分析得知，前两个为空值，keyword是搜索关键词，pageIndex是分页中的第几页，pageSize是分页中一页最多包含(展示)多少个餐厅的信息。

4. 具体步骤:
难点是对多个页面进行爬取，所以我们要考虑三种情况：1）页面最大容量大于实际页面条目（该地区的餐厅少） ；2）循环到了最后一个页面 ；3）页面最大容量等于实际页面条目。由于获取的是json格式的文件，我们可以按照字典的键值对的方式取值，值得注意的是，有的值是数组，所以我们要对单个页面response的json数据复制粘贴放在在线解析json的网站上进行可视化分析。
在单个页面中，我们要进行一个for循环解析json数据并将storeName逐个放进列表里面，这里大家可以自由发挥，用字典采集自己感兴趣的数据。单个页面又在大的while循环中，当判断Table1为空时，跳出循环，爬取结束。

5. 代码（内含详细注释）：

# 爬取肯德基指定地区的餐厅数
import requests
import json

if __name__ == "__main__":
    # 如果在搜索框输入信息，回车后网址没变而页面有变化，说明这是一个ajax请求
    # 在该网页中，这个一个post方法
    cityName = input('请输入你想爬取的肯德基餐厅的城市: ')
    url = "http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword"
    pageIndex = '1'
    data = {
        'cname': '',
        'pid': '',
        'keyword': cityName,
        'pageIndex': pageIndex,
        'pageSize': '10'
    }
    # 进行UA伪装，携带请求头参数，否则会被网页认为你是用pycharm等编译器在进行爬虫而被禁止访问
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.67 Safari/537.36 Edg/87.0.664.55'
    }
    try:
        # 以写文件的形式打开一个文件
        loop = True
        # 这个列表/字典用来存放北京市的所有餐厅的名字，或者用一个字典
        data_list = []
        print('肯德基在'+cityName+'分店分布为:')
        while loop:
            response = requests.post(url=url, data=data, headers=headers)
            json_data = response.json()
            # 使用if not x这种写法的前提是：必须清楚x等于None,  False, 空字符串"", 0, 空列表[], 空字典{}, 空元组()时对你的判断没有影响才行
            if not json_data['Table1']:
                # loop = False
                break
            # 不用json格式的数组录入，是因为追加的话，整体就不是json格式的数据了，如果解析json再拼接的话，更加耗费时间
            # json.dump(json_data, fp=fp, ensure_ascii=False) 所以该方法被舍弃
            # 以下的逻辑看似恐怖，其实只是对分页进行简单的逻辑分析
            if int(json_data['Table'][0]['rowcount'])-int(pageIndex)*int(data['pageSize']) >= 0:
                for i in range(0, int(data['pageSize'])):
                    print(json_data['Table1'][i]['storeName'])
                    data_list.append(json_data['Table1'][i]['storeName'])
            # 假如该该地区的总餐厅数没有分页的数多，则做以下操作
            elif int(data['pageSize']) > int(json_data['Table'][0]['rowcount']):
                for i in range(0, int(json_data['Table'][0]['rowcount'])):
                    print(json_data['Table1'][i]['storeName'])
                    data_list.append(json_data['Table1'][i]['storeName'])
            else:
                for i in range(0, int(json_data['Table'][0]['rowcount'])-(int(pageIndex)-1)*int(data['pageSize'])):
                    print(json_data['Table1'][i]['storeName'])
                    data_list.append(json_data['Table1'][i]['storeName'])
            # 更新页码
            pageIndex = str(int(pageIndex) + 1)
            data['pageIndex'] = pageIndex
        print('-----循环结束-----')
        # 值得注意的是:追加而不覆盖用a,而不是w
        # fp = open('./Data/BeijingKFC.json', 'a', encoding='utf-8')
        with open('./Data/BeijingKFC.txt', 'w', encoding='utf-8') as fp:
            fp.write(str(data_list))
    except IOError:
        print('写入异常!')
    else:
        print('爬取结束!')
        fp.close()

6. 结果展示：


7. 使用工具：
pycharm，需要导入requests和json包
8. 结束语：
这个分享教程，只是对爬虫初学者的入门，最后祝大家学业有成！（觉得不错就点个赞吧，有错误希望可以指正，谢谢！）