网络爬虫之Ajax动态数据采集

动态数据采集

规则

有时候我们在用 requests 抓取页面的时候，得到的结果可能和在浏览器中看到的不一样，在浏览器中可以看到正常显示的页面教据，但是使用 requests 得到的结果并没有，这是因为requests 获取的都是原始的 HTML 文档，而浏览器中的页面则是经过 JavaScript 处理数据后生成的结果，这些数据的来源有多种，可能是通过 Ajax 加载的，可能是包含在 HTML 文档中的，也可能是经过 avaScript 和特定算法计算后生成的。

对于第一种情况，数据加载是一种异步加载方式，原始的页面最初不会包含某些数据，原始页面加载完后，会再向服务器请求某个接口获取数据，然后数据才被处理从而呈现到网页上，这其实就是发送了一个 Ajax 请求。

照 Web 发展的趋势来看，这种形式的页面越来越多。网页的原始 HTML 文档不会包含任何数据，数据都是过 Ajax 统一加载后再呈现出来的，这样在 We 开发上可以做到前后端分离，而且降低服务器直接渲染页面带来的压力。

所以如果遇到这样的页面，直接利用 requests 等库来抓取原始页面，是无法获取到有效数据的，这时需要分析网页后台向接口发送的Ajax 请求，如果可以用 requests 来模拟 Aiax 请求，那么就可以成功抓取了所以，本章我们的主要目的是了解什么是 Ajax 以及如何去分析和抓取 Ajax 请求。

什么是Ajax

Ajax，全称为 Asynchronous JavaScript and XML，即异步的avaScript 和 XML，它不是-门编程语言，而是利用JavaScript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。

对于传统的网页，如果想更新其内容，那么必须要刷新整个页面，但有了 Ajax，便可以在页面不被全部刷新的情况下更新其内容。在这个过程中，页面实际上是在后台与服务器进行了数据交互，获取到数据之后，再利用JavaScript 改变网页，这样网页内容就会更新了。

手写Ajax接口

环境搭建

bash 复制代码

pip install flask

一个简单请求过程

通俗地说，路由（Routing）就像是一种地图，告诉服务器当用户访问一个特定的 URL 地址时该如何响应。在 Web 开发中，路由是将浏览器中的 URL 映射到后端应用程序中的一种功能或代码块的机制。

API 是"应用编程接口"（Application Programming Interface）的缩写。它是一套预定义的规则和协议，用于构建和集成软件应用程序。简单来说，API 是一种使得不同软件组件之间可以相互沟通的方式。

Web API：通常指的是通过HTTP协议为Web服务器和客户端或者两个在线服务之间提供数据交换的接口。例如，天气服务的API可以允许开发者获取天气预报数据。

在Web开发中，视图通常指的是用户请求特定URL时服务器返回的页面。例如，在一个Web应用中，服务器可能会根据用户请求的不同路径（比如/home或/products）来提供不同的HTML内容。在Web框架中，视图还可以是模板，模板中的数据会由服务器动态填充，然后渲染成最终的HTML发送给客户端。

在Web开发领域，模板特指的是用于动态生成HTML页面的预设文件。这些模板文件包含了静态的HTML标记，以及用于插入动态内容的特殊模板标签或占位符。当服务器接收到一个请求时，它会结合模板和相关的数据来生成最终的HTML页面，然后发送给客户端。

例如，在Python的Flask框架中，模板可能会使用Jinja2模板引擎编写：

html 复制代码

<!DOCTYPE html>
<html>
<head>
    <title>{{ title }}</title>
</head>
<body>
    <h1>Hello, {{ name }}!</h1>
</body>
</html>

在上面的例子中，{``{ title }} 和 {``{ name }} 是模板变量，它们在渲染过程中会被实际的值所替换。

编写网络爬虫爬取蛋卷基金信息并存储

python 复制代码

import requests
import pymysql

# 创建数据库连接
db = pymysql.connect(host='localhost', user='root', password='123456', port=3306)
cursor = db.cursor()
cursor.execute('use spiders')
def get_data():
    url = 'https://danjuanfunds.com/djapi/fund/growth/011102?day=1m'
    headers = {
        'User-Agent':'111222333444'
    }
    resp = requests.get(url, headers=headers).json()
    data = resp.get('data')['fund_nav_growth']
    for item in data:
        date = item.get('date')  # 如果没有就返回 None
        value = item.get('value')
        than_value = item.get('than_value')
        print('日期：', date, '\n', '本产品：', value, '沪深：', than_value)
        # 保存数据到数据库
        save_data(date, value, than_value)

def save_data(date, value, than_value):
    sql = 'INSERT INTO funds(date, value, than_value) VALUES(%s, %s, %s)'
    cursor.execute(sql, (date, value, than_value))
    db.commit()  # 提交事务

# 获取并保存数据
get_data()

# 关闭光标和数据库连接
cursor.close()
db.close()

编写网络爬虫爬取虎牙信息并存储

python 复制代码

import requests,pymysql

def conn_mysql():
    db = pymysql.connect(host='localhost',user='root',password='123456',database='spiders')
    cursor = db.cursor()
    return cursor,db
def get_date(url):
    resp = requests.get(url).json()
    dates = []
    try:
        date = resp.get('vList')
        for item in date:
            indurce = item.get('sIntroduction')
            author = item.get('sNick')
            home_numb = item.get('sGameHostName')
            # print('主播名：',author,'简介：',indurce,'房间号：',home_numb)
            dates.append([author,indurce,home_numb])
        save_date(dates)
    except Exception as e:
        print(e)
def save_date(data):
    cursor, db = conn_mysql()
    cursor.execute('use spiders')
    sql = 'insert into huya(author,indurce,home_numb) values(%s,%s,%s)'
    for d in data:
        print(d)
        try:
          cursor.execute(sql,(d[0],d[1],d[2]))
          db.commit()
        except Exception as e:
            print(e)
            db.rollback()
urls = []
for i in range(1,127):
    url = 'https://live.huya.com/liveHttpUI/getLiveList?iGid=0&iPageNo={}&iPageSize=120'.format(i)
    if url not in urls:
        urls.append(url)
for url in urls:
    print(i)
    get_date(url)