python爬虫爬取多个页面_Python 爬虫爬取多页数据

但是，按照常规的爬取方法是不可行的，因为数据是分页的：

最关键的是，不管是第几页，浏览器地址栏都是不变的，所以每次爬虫只能爬取第一页数据。为了获取新数据的信息，点击F12，查看页面源代码，可以发现数据是使用JS动态加载的，而且没有地址，只有一个skipToPage(..)函数。

所以，解决方案是：

获得请求信息，包括header和 form data(表单信息)

模拟请求，获得数据

分析数据，获得结果

以下为实施步骤：

1.获取请求信息，如下图所示，控制台选择Network->XHR，此时，点击页面跳转按钮，控制台会出现发出的请求，然后选择发出请求的文件（第三步），然后选择Headers，下方显示的就是请求头文件信息。

2，使用Python 模拟请求，在Headers下找到 Request Headers 部分，这是请求的头数据。

然后找到Form Data

复制以上内容，形成如下代码

headers ={'Accept': 'text/html, */*; q=0.01','Accept-Encoding': 'gzip, deflate','Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,ko;q=0.7','Connection': 'keep-alive','Content-Length': '61','Cookie': 'route=bd118df546101f9fcee5c1a58356a008; JSESSIONID=047BD79E9754BAED525EFE860760393E','Host': 'www.chinaooc.cn','Origin': 'http://www.chinaooc.cn','Pragma': 'no-cache','Referer': 'http://www.chinaooc.cn/front/show_index.htm','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36','X-Requested-With': 'XMLHttpRequest','Content-type': 'application/x-www-form-urlencoded; charset=UTF-8'}

form_data={'pager.pageNumber':'2','pager.pageSize': '50','pager.keyword': '','mode': 'page'}

模拟发送请求，每次改变form_data中的页码就能获得不同的数据，代码如下：

form_data['pager.pageNumber']=times

url= 'http://www.chinaooc.cn/front/show_index.htm'response= requests.post(url, data=form_data, headers=headers)

3，分析response中返回的信息即可获得数据。

完整代码如下：

#!/usr/bin/env python

#-*- coding: utf-8 -*-

importrequestsimportrefrom bs4 importBeautifulSoupclassitem:def __init__(self):

self.num=0

self.school=''self.clazz=''self.url=''headers={'Accept': 'text/html, */*; q=0.01','Accept-Encoding': 'gzip, deflate','Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,ko;q=0.7','Connection': 'keep-alive','Content-Length': '61','Cookie': 'route=bd118df546101f9fcee5c1a58356a008; JSESSIONID=047BD79E9754BAED525EFE860760393E','Host': 'www.chinaooc.cn','Origin': 'http://www.chinaooc.cn','Pragma': 'no-cache','Referer': 'http://www.chinaooc.cn/front/show_index.htm','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36','X-Requested-With': 'XMLHttpRequest','Content-type': 'application/x-www-form-urlencoded; charset=UTF-8'}

form_data={'pager.pageNumber':'2','pager.pageSize': '50','pager.keyword': '','mode': 'page'}

times=20

while times < 34:

form_data['pager.pageNumber']=times

url= 'http://www.chinaooc.cn/front/show_index.htm'response= requests.post(url, data=form_data, headers=headers)

soup= BeautifulSoup(response.content, "html.parser")

tr_list= soup.find_all('tr')

my_tr_list= tr_list[1:-1]for tr inmy_tr_list:

td_list= tr.find_all('td')

a=item()

a.num=td_list[0].contents[0]

a.school= td_list[1].contents[0]

a.clazz= td_list[2].contents[0].replace('\"',' ')

a.url= td_list[5].find_all('a')[0]["href"]#name =

with open('E:/data/'+'['+a.num+']['+a.school+']['+a.clazz+'].html','wb') as f:

res=requests.get(a.url)

res.encoding=res.apparent_encoding

f.write(res.content)

times= times+1

python爬虫爬取多个页面_Python 爬虫爬取多页数据相关推荐

python爬虫爬取多个页面_Python爬虫笔记：爬取单个页面
前言学习Python爬虫技术也是一件需要大量实践的事情,因为并不是所有的网站都对爬虫友好,更多的一种情况是网站为了限制爬虫不得不在最小化影响用户体验的前提下对网站访问做出一定的限制,最常见的就是一些 ...
python 依据某几列累加求和_Python爬虫笔记：爬取单个页面
前言学习Python爬虫技术也是一件需要大量实践的事情,因为并不是所有的网站都对爬虫友好,更多的一种情况是网站为了限制爬虫不得不在最小化影响用户体验的前提下对网站访问做出一定的限制,最常见的就是一些 ...
python多线程爬虫爬取多个网页_Python 多线程抓取网页
最近,一直在做网络爬虫相关的东西. 看了一下开源C++写的larbin爬虫,仔细阅读了里面的设计思想和一些关键技术的实现. 1.larbin的URL去重用的很高效的bloom filter算法: 2. ...
python爬取豆瓣电影信息_Python爬虫入门 | 爬取豆瓣电影信息
这是一个适用于小白的Python爬虫免费教学课程,只有7节,让零基础的你初步了解爬虫,跟着课程内容能自己爬取资源.看着文章,打开电脑动手实践,平均45分钟就能学完一节,如果你愿意,今天内你就可以迈入爬 ...
python爬取京东手机参数_python爬虫——分页爬取京东商城商品信息（手机为例）...
1.最近刚开始学习python 写了个爬虫练习,感觉主要是得会用F12查询网站结构代码.还涉及到反爬虫,每个网站都不一样,拿到的解析出的json数据格式也不同.得有些Web知识的基础才行. htt ...
python爬虫requests源码链家_Python 爬虫链家二手房（自行输入城市爬取）
因同事想在沈阳买房,对比分析沈阳各区的房价,让我帮忙爬取一下链家网相关数据,然后打算记下笔记用于总结学到的东西&用到的东西. 一.爬虫需要会什么? 学习东西首先你要知道它是干嘛的.爬虫 ...
python爬取新闻后提炼_Python爬虫开发的3大难题，别上了贼船才发现，水有多深...
写爬虫,是一个非常考验综合实力的活儿.有时候,你轻而易举地就抓取到了想要的数据:有时候,你费尽心思却毫无所获. 好多Python爬虫的入门教程都是一行代码就把你骗上了"贼船",等上 ...
python爬取知乎标题_python爬虫爬取知乎文章标题及评论
目的:学习笔记 2.首先我们试着爬取下来一篇文章的评论,通过搜索发现在 response里面我们并没有匹配到评论,说明评论是动态加载的. 3.此时我们清空请求,收起评论,再次打开评论 4.完成上面操作 ...
python爬虫cookie池与ip绑定_Python爬虫：设置Cookie解决网站拦截并爬取蚂蚁短租
前言文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. 作者: Eastmount PS:如有需要Python学习资料的小伙伴可以加 ...

python爬虫爬取多个页面_Python 爬虫爬取多页数据

python爬虫爬取多个页面_Python 爬虫爬取多页数据相关推荐

最新文章

热门文章