使用场景:半自动,一次性少量数据采集需求在工作中还是不少遇到的,无论使用模拟的方式,或者破解都不太划算。其实这种需求,使用半自动爬虫是最简单的。不需要考虑网站反爬虫的问题,因为你使用的就是真实的浏览器,不会通过代码来发起请求
- 从chrome获取har包
首先打开浏览器的开发者工具,勾选上Perserve log复选框,如下图所示:
然后刷新页面。注意一定要先打开开发者工具再刷新页面,顺序不能搞反了。接下来,你就正常往下滚动页面或者点击翻页按钮,滚到你不想滚为止。此时开发者工具里面已经有很多数据包了。如下图所示:
在任何一个数据包上面右键,选择Save all as HAR with content。就会把当前页面的所有数据包全部合并到一个 har 文件里面,如下图所示:
备注:如果遇到需要来回跳转的页面,可以使用抓包工具获取har,这个自己搜吧
- 示例代码,只需要按提示修改相关变量和函数即可运行
python
import json
import csv
import jsonpath
from haralyzer import HarParser
#功能: 解决一次性数据量不大的数据采集需求,通过chrome获取所有请求包,打包成har包,然后解析存储
# har包获取方法:
# 1、打开chrome的检查,
# 2:勾选Network中的Preserve log,
# 3:刷新当前网页,点击下一页或者滑动,直到自己需要的数据加载完,
# 4: 点击右上角的下载图标,或者是选择任意一个请求,右击,点击'Save all as HAR with content'
# 代码使用方法: 按照需要修改har_file_path, url_keyword, csv_title_title三个变量,以及解析函数parser_har, 其他都不需要动
def save_csv(title_list, data_list):
'''
保存数据到csv文件中
'''
data_list.insert(0, title_list)
with open('result_csv.csv', 'w', encoding='utf-8-sig', newline='') as csvFile:
writer = csv.writer(csvFile)
# 写入多行用writerows
writer.writerows(data_list)
print('组合数据运行结束, 结果文件result_csv.csv位于当前目录下')
def read_har_file(har_file_path):
'''
读取指定路径的har文件
'''
har_parser = HarParser.from_file(har_file_path)
data = har_parser.har_data
entries = data['entries']
for entry in entries:
yield entry
def crawle_har_to_csv(har_file_path, url_keyword, csv_title_title):
'''
主启动函数
'''
all_result_list = []
for entry in read_har_file(har_file_path):
url = entry['request']['url']
if url.find(url_keyword) > -1:
print(url)
body = entry['response']
if 'text' in body['content']:
content = body['content']['text']
info = json.loads(content)
if sub_result_list := parser_har(info):
all_result_list.extend(sub_result_list)
save_csv(csv_title_title, all_result_list)
#需要修改
def parser_har(json_content):
'''
解析har中的相关数据,这个需要根据具体返回内容进行修改
'''
result_list = []
data_list = jsonpath.jsonpath(json_content, '$.data.content.offerList.*')
if data_list:
for offer in data_list:
result_list.append([offer['subject'], offer['price']])
return result_list
else:
print('parser_har函数没有获取指定的data_list')
return []
if __name__ == '__main__':
#har包地址, 需修改
har_file_path = r'C:\Users\men\Desktop\milishipin.1688.com.har'
#择选的请求唯一关键词,用来筛选关键词, 需修改
url_keyword = 'mtop.1688.shop.data.get/1.0'
#csv文件中的title列表, 需修改
csv_title_title = ['名称', '价格']
crawle_har_to_csv(har_file_path, url_keyword, csv_title_title)