最近再学习python爬虫,有幸看到崔庆才大大的教程,这篇博客是记录自己学习过程,也是把遇到的问题记录下来,督促自己学习。
同时借鉴了👇这篇文章,也写的很好!
https://www.jianshu.com/p/8481e34c86c2
首先分析目标网站,搜索‘街拍美图’
通过查找,我们发现详情页信息是再XHR里,同时页面下滑,左侧会增加URL。
且只是url中的offset值改变,得出通过改变offset的值即可以遍历多个链接。
打开上图中data—0,我们发现详情页的名称即为‘title’的值,我们要得到title,只需解析,然后直接get_text(),就可以得到名称内容。
同时看到‘article_url’,点击进入这个详情页查看URL,通过查看多个,得出详情页的链接即为‘article_url’的值,解析后直接get即可!
开始正式写程序;首先获取主页面,需要注意的是,要加入headers和cookie,否则会报错,params为请求的一些参数,再浏览器的headers可以找到。(当出现返回异常时,可以多看看headers和cookie,我再写的时候有出现过返回异常,改headers后就好了)传进去的参数offset是控制爬取的页面多少,keyword是控制爬取的内容(本次是‘街拍美图’)
def get_url(offset, keyword):#获取主页面
headers = {
'user - agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.106 Safari/537.36',
'cookie': 'tt_webid=6756552095103878663; WEATHER_CITY=%E5%8C%97%E4%BA%AC; tt_webid=6756552095103878663; csrftoken=e3986e027ddb4e2f9307dbd024811241; s_v_web_id=k6n06g6v_lbexStV5_3Ntg_4wFE_B0ts_axcGWZuVpJm4; ttcid=007008aee03e463eb9caa0e440e9afba93; __tasessionId=qxl5qt72h1581735000822; tt_scid=a-NdD3V6Hzc21bo3bybzGZtDTFp2jVZ-NcUgYmlEYuwxvVqjZZCmAT0cyZUlplB696ea',
}
params = {
'aid': 24,
'app_name': 'web_search',
'offset': offset,
'format': 'json',
'keyword': keyword,
'autoload': 'true',
'count': 20,
'en_qc': 1,
'cur_tab': 1,
'from': 'search_tab',
'pd': 'synthesis',
'timestamp': 158173512669,
}
url = "https://www.toutiao.com/api/search/content/?" + urlencode(params)
try:
r = requests.get(url, headers=headers)
if r.status_code == 200:
res = json.loads(r.text)#json.loads将json格式数据转换为字典
return res
except RequestException:
print('访问错误')
return None
提取详情页URL,使用yield返回生成器。因为’article_url’是在’data’中,而’data’是我们res的一个键,同时因为在获取主页面时我们返回的是字典类型(用json.loads转化过),所以我们直接get即可。
def parse_page_index(res):#提取详情页url
if res:#判断返回对象是否为空
if 'data' in res.keys():
for item in res.get('data'):
if 'article_url' in item:
yield item.get('article_url')
获取详情页,同样需要加入headers和cookie。这一步我们即可获得所有的详情页URL,到这里全部任务已经完成35%了!
def get_page_index(url):#获取详情页
headers = {
'cookie': 'tt_webid=6756552095103878663; WEATHER_CITY=%E5%8C%97%E4%BA%AC; tt_webid=6756552095103878663; csrftoken=e3986e027ddb4e2f9307dbd024811241; __tasessionId=fme29ihts1580901093483; s_v_web_id=k69b121k_igiqNCx4_57vq_40DG_BVQV_JdrkGEwFqmKB',
<