python爬虫-----Ajax/selenium爬虫

Ajax/selenium爬虫

一、为什么用Ajax

1. 浏览器中可看到正常显示的数据，但使用requests得到的结果并没有。 这是什么原因呢?
requests获取的是原始的HTML文档，而浏览器中的页面是经过JS处理数据后生成的结果。
也就是说原始的html中没有数据，经过js加载后产生了数据。

右图的加载页面就是Ajax正在请求某一个API接口的数据，当请求到之后会返回给我们并展示出来。
2. 这些数据的来源有哪些情况呢?
Ajax加载、包含在HTML文档中、经过JavaScript和特定算法计算后生成

二、什么是Ajax

Ajax(Asynchronous JavaScript and XML)异步的JS和XML。原理是: 利用JS在保证页面不被刷新、页面链接不改变的情况下与服务器交换数据并更新部分网页的技术。

ajax通过原生的XMLHttpRequest对象发出HTTP请求，得到服务器返回的数据后，再进行处理

三、Ajax怎么分析页面

拖动刷新的内容由Ajax加载且页面的URL无变化，那么应该到哪里去查看这些Ajax请求呢？

1. 开发者工具(F12)->Network选项卡, 获取页面加载过程中Browser与Server之间请求和响应。

2. 筛选出所有的Ajax请求。在请求的上方有一层筛选栏，直接点击XHR(Ajax特殊的响应类型)

3. 模拟Ajax请求，提取我们所需要的信息。
   

四、基于Ajax和requests采集器的微博爬虫

import os

import requests
from colorama import Fore
from fake_useragent import UserAgent
from requests import HTTPError


def download_page(url, parmas=None):
    """
    根据url地址下载html页面
    :param url:
    :param parmas:
    :return: str
    """
    try:
        ua = UserAgent()
        headers = {
   
            'User-Agent': ua.random,
        }
        # 请求https协议的时候， 回遇到报错: SSLError
        # verify=Flase不验证证书
        response = requests.get(url, params=parmas, headers=headers)
    except  HTTPError as e:
        print(Fore.RED + '[-] 爬取网站%s失败: %s' % (url, str(e)))
        return None
    else:
        # content返回的是bytes类型, text返回字符串类型
        # response.json()方法会自动将字符串反序列为python数据类型
        """
        html = response.text        # 字符串
        json.loads(html)            # 将字符串反序列化为python数据类型
        """
        # return response.json()
        return response


def parse_html(html):
    """
    参考源代码解析
    :param html:
    :return:
    """
    cards = html.get('data').get('cards')
    count = 0
    for card in cards:
        try:
            count +=