Powered By GitBook
6.3-Ajax结果提取
这里仍然以微博为例,接下来用 Python 来模拟这些 Ajax 请求,把我发过的微博爬取下来。

1. 分析请求

打开 Ajax 的 XHR 过滤器,然后一直滑动页面以加载新的微博内容。可以看到,会不断有 Ajax 请求发出。
选定其中一个请求,分析它的参数信息。点击该请求,进入详情页面,如图 6-11 所示。
图 6-11 详情页面
可以发现,这是一个 GET 类型的请求,请求链接为 https://m.weibo.cn/api/container/getIndex?type=uid&value=2145291155&containerid=1076032145291155&page=2,请求的参数有四个:type、value、containerid、page。
随后再看看其他请求,可以发现,它们的 type、value 和 containerid 始终如一。type 始终为 uid,value 的值就是页面链接中的数字,其实这就是用户的 id。另外,还有 containerid。可以发现,它就是 107603 加上用户 id。改变的值就是 page,很明显这个参数是用来控制分页的,page=1 代表第一页,page=2 代表第二页,以此类推。

2. 分析响应

随后,观察这个请求的响应内容,如图 6-12 所示。
图 6-12 响应内容
这个内容是 JSON 格式的,浏览器开发者工具自动做了解析以方便我们查看。可以看到,最关键的两部分信息就是 cardlistInfo 和 cards:前者包含一个比较重要的信息 total,观察后可以发现,它其实是微博的总数量,我们可以根据这个数字来估算分页数;后者则是一个列表,它包含 10 个元素,展开其中一个看一下,如图 6-13 所示。
图 6-13 列表内容
可以发现,这个元素有一个比较重要的字段 mblog。展开它,可以发现它包含的正是微博的一些信息,比如 attitudes_count(赞数目)、comments_count(评论数目)、reposts_count(转发数目)、created_at(发布时间)、text(微博正文)等,而且它们都是一些格式化的内容。
这样我们请求一个接口,就可以得到 10 条微博,而且请求时只需要改变 page 参数即可。
这样的话,我们只需要简单做一个循环,就可以获取所有微博了。

3. 实战演练

这里我们用程序模拟这些 Ajax 请求,将我的前 10 页微博全部爬取下来。
首先,定义一个方法来获取每次请求的结果。在请求时,page 是一个可变参数,所以我们将它作为方法的参数传递进来,相关代码如下:
1
from urllib.parse import urlencode
2
import requests
3
base_url = 'https://m.weibo.cn/api/container/getIndex?'
4
5
headers = {
6
'Host': 'm.weibo.cn',
7
'Referer': 'https://m.weibo.cn/u/2830678474',
8
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko)
9
Chrome/58.0.3029.110 Safari/537.36',
10
'X-Requested-With': 'XMLHttpRequest',
11
}
12
13
def get_page(page):
14
params = {
15
'type': 'uid',
16
'value': '2830678474',
17
'containerid': '1076032830678474',
18
'page': page
19
}
20
url = base_url + urlencode(params)
21
try:
22
response = requests.get(url, headers=headers)
23
if response.status_code == 200:
24
return response.json()
25
except requests.ConnectionError as e:
26
print('Error', e.args)
Copied!
首先,这里定义了 base_url 来表示请求的 URL 的前半部分。接下来,构造参数字典,其中 type、value 和 containerid 是固定参数,page 是可变参数。接下来,调用 urlencode 方法将参数转化为 URL 的 GET 请求参数,即类似于 type=uid&value=2145291155&containerid=1076032145291155&page=2 这样的形式。随后,base_url 与参数拼合形成一个新的 URL。接着,我们用 requests 请求这个链接,加入 headers 参数。然后判断响应的状态码,如果是 200,则直接调用 json 方法将内容解析为 JSON 返回,否则不返回任何信息。如果出现异常,则捕获并输出其异常信息。
随后,我们需要定义一个解析方法,用来从结果中提取想要的信息,比如这次想保存微博的 id、正文、赞数、评论数和转发数这几个内容,那么可以先遍历 cards,然后获取 mblog 中的各个信息,赋值为一个新的字典返回即可:
1
from pyquery import PyQuery as pq
2
3
def parse_page(json):
4
if json:
5
items = json.get('data').get('cards')
6
for item in items:
7
item = item.get('mblog')
8
weibo = {}
9
weibo['id'] = item.get('id')
10
weibo['text'] = pq(item.get('text')).text()
11
weibo['attitudes'] = item.get('attitudes_count')
12
weibo['comments'] = item.get('comments_count')
13
weibo['reposts'] = item.get('reposts_count')
14
yield weibo
Copied!
这里我们借助 pyquery 将正文中的 HTML 标签去掉。
最后,遍历一下 page,一共 10 页,将提取到的结果打印输出即可:
1
if __name__ == '__main__':
2
for page in range(1, 11):
3
json = get_page(page)
4
results = parse_page(json)
5
for result in results:
6
print(result)
Copied!
另外,我们还可以加一个方法将结果保存到 MongoDB 数据库:
1
from pymongo import MongoClient
2
3
client = MongoClient()
4
db = client['weibo']
5
collection = db['weibo']
6
7
def save_to_mongo(result):
8
if collection.insert(result):
9
print('Saved to Mongo')
Copied!
这样所有功能就实现完成了。运行程序后,样例输出结果如下:
1
{'id': '4134879836735238', 'text': ' 惊不惊喜,刺不刺激,意不意外,感不感动 ', 'attitudes': 3,
2
'comments': 1, 'reposts': 0}
3
Saved to Mongo
4
{'id': '4143853554221385', 'text': ' 曾经梦想仗剑走天涯,后来过安检给收走了。分享单曲远走高飞 ',
5
'attitudes': 5, 'comments': 1, 'reposts': 0}
6
Saved to Mongo
Copied!
查看一下 MongoDB,相应的数据也被保存到 MongoDB,如图 6-14 所示。
图 6-14 保存结果
这样,我们就顺利通过分析 Ajax 并编写爬虫爬取下来微博列表。最后,给出本节的代码地址:https://github.com/Python3WebSpider/WeiboList
本节的目的是为了演示 Ajax 的模拟请求过程,爬取的结果不是重点。该程序仍有很多可以完善的地方,如页码的动态计算、微博查看全文等,若感兴趣,可以尝试一下。
通过这个实例,我们主要学会了怎样去分析 Ajax 请求,怎样用程序来模拟抓取 Ajax 请求。了解了抓取原理之后,下一节的 Ajax 实战演练会更加得心应手。
Last modified 2yr ago