当前位置:聪少自媒体网 > 今日头条 > 正文

Python爬虫实战入门五:获取JS动态内容—爬取今日头条

2020-10-05 今日头条 聪少自媒体

之前我们爬取的网页,多是HTML静态生成的内容,直接从HTML源码中就能找到看到的数据和内容,然而并不是所有的网页都是这样的。

有一些网站的内容由前端的JS动态生成,由于呈现在网页上的内容是由JS生成而来,我们能够在浏览器上看得到,但是在HTML源码中却发现不了。比如今日头条:

浏览器呈现的网页是这样的:

今日头条

查看源码,却是这样的:

HTML源码

网页的新闻在HTML源码中一条都找不到,全是由JS动态生成加载。

遇到这种情况,我们应该如何对网页进行爬取呢?有两种方法:

1、从网页响应中找到JS脚本返回的JSON数据;2、使用Selenium对网页进行模拟访问

在此只对第一种方法作介绍,关于Selenium的使用,后面有专门的一篇。

一、从网页响应中找到JS脚本返回的JSON数据

即使网页内容是由JS动态生成加载的,JS也需要对某个接口进行调用,并根据接口返回的JSON数据再进行加载和渲染。

所以我们可以找到JS调用的数据接口,从数据接口中找到网页中最后呈现的数据。

就以今日头条为例来演示:

1、从找到JS请求的数据接口

F12打开网页调试工具

网页调试工具

选择“网络”选项卡后,发现有很多响应,我们筛选一下,只看XHR响应。

(XHR是Ajax中的概念,表示XMLHTTPrequest)

然后我们发现少了很多链接,随便点开一个看看:

我们选择city,预览中有一串json数据:

我们再点开看看:

原来全都是城市的列表,应该是加载地区新闻之用的。

现在大概了解了怎么找JS请求的接口的吧?但是刚刚我们并没有发现想要的新闻,再找找看:

有一个focus,我们点开看看:

与首页的图片新闻呈现的数据是一样的,那么数据应该就在这里面了。

看看其他的链接:

这应该是热搜关键词

这个就是图片新闻下面的新闻了。

我们打开一个接口链接看看:

返回一串乱码,但从响应中查看的是正常的编码数据:

有了对应的数据接口,我们就可以仿照之前的方法对数据接口进行请求和获取响应了

2、请求和解析数据接口数据

先上完整代码:

# coding:utf-8

import requests

import json

url='http://www.toutiao.com/api/pc/focus/'

wbdata=requests.get(url).text

data=json.loads(wbdata)

news=data['data']['pc_feed_focus']

for n in news:

title=n['title']

img_url=n['image_url']

url=n['media_url']

print(url,title,img_url)

返回出来的结果如下:

照例,稍微讲解一下代码:

代码分为四部分,

第一部分:引入相关的库

# coding:utf-8

import requests

import json

第二部分:对数据接口进行http请求

url='http://www.toutiao.com/api/pc/focus/'

wbdata=requests.get(url).text

第三部分:对HTTP响应的数据JSON化,并索引到新闻数据的位置

data=json.loads(wbdata)

news=data['data']['pc_feed_focus']

第四部分:对索引出来的JSON数据进行遍历和提取

for n in news:

title=n['title']

img_url=n['image_url']

url=n['media_url']

print(url,title,img_url)

如此,就完成了从JS网页中爬取数据。

聪少爱学堂聪少
聪少爱学堂创始人,梅州市鹏鑫网络科技有限公司CEO,09年开始踏入互联网,10年互联网行业经验,资深自媒体人,自媒体优秀导师,咪挺微商团对营销引流顾问,业务包含:精准引流技术/代引流精准粉,专业小红书,知乎,微博代运营。
  • 38988文章总数
  • 1491135访问次数
  • 建站天数
  • 合作伙伴