python今日内容_Python爬取今日头条JS内容

参考网站：http://blog.csdn.net/u011475134/article/details/70198533

目标：爬取热点新闻的标题，链接(图1)

图1---- 爬取目标

核心技术：所爬内容为JS加载，需要从网页响应中找到JS脚本返回的JSON数据

(1)找到JS请求的数据接口

1.打开网页调试工具

网页调试工具

2.发现所需要的数据在文件名含“?category“字段的文件中，筛选，只显示该种文件

(2)观察数据源文件的url构成规律

滚动滚动条，出现了几个新的目标文件。列表观察

四个目标文件的url

提取各参数，黄色部分是会改变的参数

观察上表得出，url地址中只有黄色部分的参数会改变。

①max_behot_time和max_behot_time_tmp的值相等

②点击首页中左边标题栏“热点”按钮时，max_behot_time和max_behot_time_tmp的值为0

③而每一个max_behot_time和max_behot_time_tmp的值都可以在上一个文件内容中得出

max_behot_time和max_behot_time_tmp的值

④AS和CP的值，每一次都发生改变，并没有规律。因此推测是根据一定加密算法算出的。参考的指出可以在网页HTML源码中找到加密算法。但是我并没有找到.....所以加密算法是直接使用参考网站所提供的函数：

计算AS和CP的算法

(3)编写代码：

由于看不懂参考网站的代码，自己写了个简单版的......

(4)测试

结果：每一次爬取的内容都是一样的

1.猜测A：网站自带反爬机制，需要降低爬取速度

实施：在get_item(url)中添加time.sleep(5)

结果：失败

2.猜测B：网站自带反爬机制，需要加header

实施：在get_item(url)中添加

结果：失败

3.猜测C：网站自带反爬机制，需要加cookies

实施：根据参考网站，只与cookies中的tt_webid参数有关

结果：成功

完整代码："https://github.com/caiyingyi/toutiao.git"