python3爬虫笔记之Ajax

原始页面不会存在某些数据，可能是通过ajax加载的，数据通过ajax统一加载后呈现出来，直接用requests库抓取原始html是不会包含任何数据的，需要分析网页向后台接口发送的ajax请求。

什么是ajax

利用javascrip保证页面不被刷新，链接不改变的情况下与服务器交换数据并更新部分网页内容的技术。
比如下滑查看更多就是ajax加载过程。

基本原理

var xmlhttp；
if (window.XMLHttpRequests) {
    
    
pass
} else {
    
    
xmlhttp=new.....
}
xmlhttp.onreadystatechange=function{
    
    }
xmlhttp.open()
xmlhttp.send()

新建的一个XMLHttpRequests对象xmlhttp，然后调用onreadystatechange属性设置监听，最后调用open和send方法向某个链接发送请求。这个这是请求的原理，还有解析内容和渲染，感兴趣可以自己去了解

ajax分析方法

ajax请求类型type是xhr，这就意味是ajax请求。

requests headers里面有个X-Requested-With就标记此请求时ajax请求，点击previev就能看到响应的内容

切换到response选项看也有信息

ajax分析与爬虫实战

import pymongo
import requests
import logging

logging.basicConfig(level=logging.INFO,
                    format='%(asctime)s - %(levelname)s: %(message)s')


INDEX_URL = 'https://spa1.scrape.center/api/movie/?limit={limit}&offset={offset}'#把limit和offset预留出来占位符动态传入参数，构造完整列表页

MONGO_CONNECTION_STRING = 'mongodb://localhost:27017'
MONGO_DB_NAME = 'movies'
MONGO_COLLECTION_NAME = 'movies'

client = pymongo.MongoClient(MONGO_CONNECTION_STRING)
db = client['movies']
collection = db['movies']


def scrape_api(url):
    logging.info('scraping %s...', url)
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.json()
        logging.error('get invalid status code %s while scraping %s',
                      response.status_code, url)
    except requests.RequestException:
        logging.error('error occurred while scraping %s', url, exc_info=True)


LIMIT = 10


def scrape_index(page):
    url = INDEX_URL.format(limit=LIMIT, offset=LIMIT * (page - 1))
    return scrape_api(url)


DETAIL_URL = 'https://dynamic1.scrape.center/api/movie/{id}'


def scrape_detail(id):
    url = DETAIL_URL.format(id=id)
    return scrape_api(url)


TOTAL_PAGE = 10


def save_data(data):
    collection.update_one({
    
    
        'name': data.get('name')
    }, {
    
    
        '$set': data
    }, upsert=True)


def main():
    for page in range(1, TOTAL_PAGE + 1):
        index_data = scrape_index(page)
        for item in index_data.get('results'):
            id = item.get('id')
            detail_data = scrape_detail(id)
            logging.info('detail data %s', detail_data)
            save_data(detail_data)
            logging.info('data saved successfully')


if __name__ == '__main__':
    main()