处理动态分页:自动翻页与增量数据抓取策略-数据议事厅

一、案例场景

Lily(挥舞着数据报表):"用户反馈我们的股票舆情分析总是缺失最新跟帖!这些动态分页像狡猾的狐狸,每次抓取都漏掉关键数据!"

小王(调试着爬虫代码):"传统分页参数已经失效了。看!(指向屏幕)这个「加载更多」按钮会变异------每次点击都会生成新的加密参数!"

动态分页化身黑衣刺客,手持带有时间戳的毒镖:「想要新数据?先破解我的身份令牌!」UserAgent检测如同城门守卫,将没有伪装的爬虫拒之门外。

python 复制代码
import requests
from bs4 import BeautifulSoup
import time
import json

class GubaCrawler:
    def __init__(self):
        # 亿牛云代理配置(www.16yun.cn)
        self.proxy = {
            "http": "http://16YUN:16IP@yn-proxy.16yun.cn:3111", 
            "https": "http://16YUN:16IP@yn-proxy.16yun.cn:3111"
        }
        self.headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
            "Cookie": "em_hq_fls=js; sid=6d5b20..."  # 需要定期更新的动态cookie
        }
        self.visited_ids = set()  # 增量抓取存储器

    def parse_page(self, url):
        try:
            # 爬虫代理IP与浏览器指纹双保险
            response = requests.get(url, proxies=self.proxy, headers=self.headers, timeout=10)
            soup = BeautifulSoup(response.text, 'html.parser')
            
            # 东方财富股吧帖子解析
            posts = []
            for item in soup.select('.articleh'):
                post_id = item.get('data-postid')  # 唯一标识符
                if post_id in self.visited_ids:
                    continue
                
                title = item.select_one('.l3 a').text.strip()
                time = item.select_one('.l5').text
                # 更多字段解析...
                posts.append({"id":post_id, "title":title, "time":time})
                self.visited_ids.add(post_id)
            
            return posts
        except Exception as e:
            print(f"抓取异常:{str(e)}")
            return []

    def auto_pagination(self):
        base_url = "https://guba.eastmoney.com/list,002291_{}.html"
        page = 1
        while True:
            current_url = base_url.format(page)
            print(f"智能翻页中:{current_url}")
            
            data = self.parse_page(current_url)
            if not data:  # 终止条件判断
                print("到达最后一页!")
                break
                
            # 数据存储逻辑
            with open('guba_data.json', 'a', encoding='utf-8') as f:
                json.dump(data, f, ensure_ascii=False)
            
            page += 1
            time.sleep(3)  # 控制频率

if __name__ == '__main__':
    crawler = GubaCrawler()
    crawler.auto_pagination()

工程师召唤出「参数预言家」------通过逆向工程发现分页规律:每页URL中的页码呈等差序列变化,但需要配合动态生成的Cookie才能获得真实数据。

二、技术亮点解密

代理IP铠甲:通过亿牛云代理池实现IP身份轮换

身份伪装术:动态UserAgent+实时更新的Cookie

增量记忆水晶:用集合存储已抓取ID避免重复

时间迷雾:随机延时规避采集检测

相关推荐
凡许真6 天前
大数据环境(单机版) Flume传输数据到Kafka
大数据·kafka·数据采集·flume
智联物联7 天前
4G工业路由器在公交充电桩中的应用与优势
数据采集·远程监控·4g工业路由器·工业4g路由器·新能源充电桩·远程管理·公交充电桩
亿牛云爬虫专家12 天前
动态内容加载的解决方案:Selenium与Playwright对比故障排查实录
selenium·测试工具·爬虫代理·playwright·机票·特价·亚航
数据知道13 天前
爬虫反爬:字体反爬案例分析与爬取实战
爬虫·python·数据采集·爬虫解析
数据知道13 天前
Ajax数据采集与分析详解
前端·爬虫·python·ajax·okhttp·数据采集
数据知道14 天前
一文掌握Selenium的详细使用
爬虫·selenium·测试工具·数据采集
亿牛云爬虫专家15 天前
使用Selenium和ChromeDriver模拟用户操作:从表单填写到数据提交
python·selenium·测试工具·爬虫代理·问卷调查·chromedriver·代理ip
OkeyProxy19 天前
怎麼防止爬蟲IP被網站封鎖?
网络爬虫·爬虫代理·proxy模式·代理服务器·海外ip代理
亿牛云爬虫专家20 天前
深度解析:使用 Headless 模式 ChromeDriver 进行无界面浏览器操作
chrome·爬虫代理·chromedriver·代理ip·动态加载·headless·无界面