网站:今日头条-搜索
目标:分析Ajax请求得来的数据
预备知识:XHR为向服务器发送请求和解析服务器响应提供了流畅的接口,能够以异步方式从服务器取得数据。
流程框架:
1:抓取索引页内容:
请求目标,通过Request,分析HTML代码,返回结果
2:抓取详情页内容
分析JSON,URL,得到详情页链接
3:下载数据
4:开启循环,多线程
索引页:
1:获取索引页,找到header中get请求的参数(发现json格式的数据)
2:使用urlencode为数组解析成get参数,接着使用requests请求,同时判断状态是否可以访问,可以的话返回response.text
3:从返回的response.text中,我们要解析出json数据中data中的article_rul。引入json库,编写parse_page_index函数(json.loads()—将json数据解析成python字典,data.keys()—获取所有的键)
详情页:
1:解析出来article_url后,进入详情页。
2:将get_page_detail中返回的值,还有参数url作为参数传入parse_page_detail()中,使用re.compile()制作匹配规则
下载:
1:response.content
2:使用’{}’.format构造好存储地址
3:os.getcwd()获取当前文件地址,md5函数使得相同的内容散列成相同的值。
主函数:
def main(offset):
print('获取索引页 (%d)' % offset)
html = get_page_index(offset, KEYWORD)
for url in parse_page_index(html):
html = get_page_detail( url)
if html:
result = parse_page_detail(html, url)
if result: save_to_mongo( result)
pass
使用进程池
1:from multiprocessing import Pool
2:pool.map(main,groups