爬虫进阶 - 前后端分离有什么了不起，过程超详细

╰半夏微凉° 2022-08-29 13:56 140阅读 0赞

击上方“**Python爬虫与数据挖掘**”，进行关注

回复“**书籍**”即可获赠Python从入门到进阶共10本电子书

今

日

鸡

汤

人世几回伤往事，山形依旧枕寒流。

![35421e7b88c7491436ac2dd17a212b49.png][]

> 这是一个详细的爬虫进阶教程，里面包含了很详细的思考和试错过程，如果你对学爬虫是认真的，建议认真看。  
>

我们要抓取下面这个网站上的所有图书列表：

> https://www.epubit.com/books

![36dbc7652453b0a66660ecd2448a2d20.png][]

### 1) 探索研究 ###

> 创建一个新的python文件，写入如下代码：

import requests
    url = 'https://www.epubit.com/books'
    res = requests.get(url)
    print(res.text)

运行发现打印结果如下：

![77636dc6858feed8b0c4f0e82be45897.png][]

这里面根本没有图书的信息。但使用浏览器检查器可以看到图书的信息：

![c10528b8c2abaf4b14ee7a2a323dd04b.png][]

我们碰到了一个**基于前后端分离**的网站，或者说一个**用JavaScript获取数据**的网站。这种网站的数据流程是这样的：

*  **初次请求**只返回了网页的基本框架，并没有数据。就是前面截图看到那样。
 *  但网页的基本框架中包含JavaScript的代码，这段代码会再发起一次或者多次请求获取数据。我们称为**后续请求**。

为了抓取这样的网站，有两个办法：

1.  分析出后续请求的地址和参数，写代码发起同样的后续请求。
2.  使用模拟浏览器技术，比如selenium。这种技术可以自动发起后续请求获取数据。

### 2) 分析后续请求 ###

打开谷歌浏览器的检查器，按图中的指示操作：![0d27569ab03a61e49de94b5c7473f2b6.png][]

1.  点击**Network**，这里可以查看浏览器发送的所有网络请求。
2.  选**XHR**，查看浏览器用JavaScript发送的请求。
3.  下面可以看到很多请求。我们要一个个看过去找到包含商品列表的请求。

再来理解一下浏览器打开一个网页的过程，一般并不是一个请求返回了所有的内容，而是包含多个步骤：

1.  第一个请求获得HTML文件，里面可能包含文字，数据，图片的地址，样式表地址等。HTML文件中并没有直接包含图片。
2.  浏览器根据HTML中的链接，再次发送请求，读取图片，样式表，基于JavaScript的数据等。

所以我们看到有这么不同类型的请求：XHR, JS，CSS，Img，Font, Doc等。

我们爬取的网站发送了很多个XHR请求，分别用来请求图书列表，网页的菜单，广告信息，页脚信息等。我们要从这些请求中找出图书的请求。

具体操作步骤如图：![e8cb2e02a8abc0ddbd90114a3007518c.png][]

1.  在左边选中请求
2.  在右边选择Response
3.  下面可以看到这个请求返回的数据，从数据可以判断是否包含图书信息。

> Javascript请求返回的格式通常是JSON格式，这是一种JavaScript的数据格式，里面包含用冒号隔开的一对对数据，比较容易看懂。JSON很像Python中的字典。

在众多的请求中，可以根据请求的名字大致判断，提高效率。比如上图中getUBookList看起来就像是获取图书列表。点开查看，返回的果然是图书列表。

请记住这个链接的地址和格式，后面要用到：

![e0b3cdcff84a558163140b4da684af65.png][]

https://www.epubit.com/pubcloud/content/front/portal/getUbookList?page=1&row=20&=&startPrice=&endPrice=&tagId= 分析一下，可以看到：

1.  网址是：https://www.epubit.com/pubcloud/content/front/portal/getUbookList
2.  page=1表示第1页，我们可以依次传入2，3，4等等。
3.  row=20表示每一页有20本书
4.  startPrice和endPrice表示价格条件，他们的值都是空，表示不设定价格限制。

### 3) 使用postman测试猜想 ###

为了验证这个设想打开谷歌浏览器，在地址栏中输入以下网址：

https://www.epubit.com/pubcloud/content/front/portal/getUbookList?page=1&row=20&=&startPrice=&endPrice=&tagId=

可是得到了如下的返回结果：

{
        "code": "-7",
        "data": null,
        "msg": "系统临时开小差，请稍后再试~",
        "success": false
    }

这并不是系统出了问题，而是系统检测到我们是非正常的请求，拒绝给我们返回数据。

这说明除了发送这个URL，还需要给服务器传送额外的信息，这些信息叫做Header，翻译成中文是请求头的意思。

在下图中可以看到正常的请求中包含了多个请求头：![d29085ddd1a87c0f70d9e1b312ab04dc.png][]

1.  选中要查看的请求
2.  在右边选Headers
3.  往下翻，可以看到Request Headers，下面就是一项项数据：

*  Accept: application/json, text/plain, */*
 *  Accept-Encoding:gzip, deflate, br
 *  ....

为了让服务器正常处理请求，我们要模拟正常的请求，也添加相应的header。如果给的Header也都一样，服务器根本不可能识别出我们是爬虫。后面我们会学习如何在发送请求时添加header。

但通常服务器并不会检查所有的Header，可能只要添加一两个关键Header就可以骗服务器给我们数据了。但我们要一个个测试那些Header是必须的。

在浏览器中无法添加Header，为了发送带Header的HTTP请求，我们要使用另一个软件叫做**Postman**。这是一个API开发者和爬虫工程师最常使用的工具之一。

> 首先在postman的官网下载：www.postman.com。根据指示一步步安装软件，中间没有额外的设置。

打开postman后可以看到如下界面：

![d032d63443db4be47360c9d04cf0b46e.png][]

1.  在最上面点击加号，可以添加一个新的请求
2.  中间填写请求的URL
3.  点Headers进入Headers的设置界面，添加Header。

这些Header的名字和值可以在检查器中复制过来。如果自己拼写，注意千万不要写错。

我们来了解一下几个常见的header:

*  User-Agent: 这个Header表示请求者是谁，一般是一个包括详细版本信息的浏览器的名字，比如：**Mozilla/5.0 (Macintosh; Intel Mac OS X 10\_15\_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36**
    
    如果爬虫不添加这个Header，服务器一下就能识别出这是不正常请求，可以予以拒绝。当然，是否拒绝取决于程序员的代码逻辑。
 *  Cookie: 如果一个网站需要登录，登录的信息就保存在Cookie中。服务器通过这个Header判定是否登陆了，登陆的是谁。
    
    假设我们要自动在京东商城下单，我们可以先人工登录，复制Cookie的值，用Python发送请求并包含这个Cookie，这样服务器就认为我们已经登陆过了，允许我们下单或做其他操作。如果在程序中加上计时的功能，指定具体下单的时间点，这就是**秒杀程序**。这是爬取需要登录的网站的一种常用方法。
 *  Accept：指浏览器接受什么格式的数据，比如\*\*application/json, text/plain, \*/\*\*\*是指接受JSON，文本数据，或者任何数据。
 *  Origin-Domain: 是指请求者来自那个域名，这个例子中是：www.epubit.com

关于更多的HTTP的Header，可以在网上搜索**HTTP Headers**学习。

我一个个添加常用的Header，但服务器一直不返回数据，直到添加了Origin-Domain这个Header。这说明这个Header是必备条件。

网页的后台程序有可能不检查Header，也有可能检查一个Header，也有可能检查多个Header，这都需要我们尝试才能知道。

既然Origin-Domain是关键，也许后台程序只检查这一个Header，我们通过左边的选择框去掉其他的Header，只保留Origin-Domain，请求仍然成功，这说明后台只检查了这一个Header:

![bfa4521a687a74c30cff717d993b76e2.png][]

然后修改地址栏中的page参数，获取其他的页，比如截图中修改成了3，再发送请求，发现服务器返回了新的数据（其他的20本书）。这样我们的请求过程就成功了。

### 4) 写抓取程序 ###

开发爬虫，主要的时间是分析，一旦分析清楚了，爬取代码并不复杂：

import requests
    
    def get_page(page=1):
        '''抓取指定页的数据，默认是第1页'''
        # 使用page动态拼接URL
        url = f'https://www.epubit.com/pubcloud/content/front/portal/getUbookList?page={page}&row=20&=&startPrice=&endPrice=&tagId='
        headers = {'Origin-Domain': 'www.epubit.com'}
        # 请求的时候同时传入headers
        res = requests.get(url, headers=headers) 
        print(res.text)
    
    get_page(5)

这里我们测试了抓取第5页的数据，比对打印出的JSON数据和网页上的第5页数据，结果是匹配的。

现在我们去分析JSON的数据结构，再来完善这个程序。

### 5) 分析JSON数据 ###

JSON就像Python中的字典，用大括号存放数据，用冒号分割键和值。下面是省略的JSON数据：

{
        "code": "0",
        "data": {
            "current": 1, //第一页
            "pages": 144, //一共几页
            "records": [  //很多本书的信息放在方括号中
                {
                    "authors": "[美] 史蒂芬·普拉达（Stephen Prata）",  //作者
                    "code": "UB7209840d845c9", //代码
                    "collectCount": 416, //喜欢数
                    "commentCount": 64, //评论数
                    "discountPrice": 0, //折扣价
                    "downebookFlag": "N",
                    "fileType": "",
                    ...
                },
                {
                    "authors": "笨叔",
                    "code": "UB7263761464b35",
                    "collectCount": 21,
                    "commentCount": 3,
                    "discountPrice": 0,
                    "downebookFlag": "N",
                    "fileType": "",
                    ...
                },
                ...
            ],
            "size": 20,
            "total": 2871
        },
        "msg": "成功",
        "success": true
    }

我们来学习一下这个JSON格式：

1.  最外面是一个大括号，里面包含了code, data, msg, success四块信息。这个格式是开发这个网页的程序员自己设计的，不同的网页可能不同。
2.  其中code, msg和sucess表示请求的状态码，请求返回的提示，请求是否成功。而真正的数据都在data中。
3.  data的冒号后面是一个大括号，表示一个数据对象。里面包含了当前页数(current)，总页数(pages)，书的信息(records)等。
4.  records表示很多本书，所以它用一个方括号表示，方括号里面又有很多大括号包起来的数据对象，每个大括号表示一本书。

{
        "authors": "[美] 史蒂芬·普拉达（Stephen Prata）", //书名
        "code": "UB7209840d845c9", //代码
        "collectCount": 416, //喜欢数
        "commentCount": 64,  //评论数
        "discountPrice": 0,  //折扣0，表示没有折扣
        ...
        "forSaleCount": 3,  //在售数量
        ...
        "logo": "https://cdn.ptpress.cn/pubcloud/bookImg/A20190961/20200701F892C57D.jpg",
        "name": "C++ Primer Plus 第6版 中文版", //书名
        ...
        "price": 100.30,  //价格
        ...
    }

每本书的信息有很多个字段，这里省略掉了很多字段，给重要的信息添加了注释。

### 6) 完成程序 ###

现在来完善上面的程序，从JSON中解析出我们要的数据，为了简化，我们只抓取：书名，作者，编号和价格。

程序框架：

import requests
    import json
    import time 
    class Book:
        # --省略--
    def get_page(page=1):
        # --省略--
        books = parse_book(res.text)
        return books
    def parse_book(json_text):
        #--省略--
    
    all_books = []
    for i in range(1, 10):
        print(f'======抓取第{i}页======')
        books = get_page(i)
        for b in books:
            print(b)
        all_books.extend(books)
        print('抓完一页，休息5秒钟...')
        time.sleep(5)

1.  定义了Book类来表示一本书
2.  添加了parse\_book函数负责解析数据，返回包含当前页的20本书的list
3.  最下面使用for循环抓取数据，并放到一个大的列表中，range中添加要抓取的页数。通过前面的分析可以知道一共有几页。
4.  抓取完一页后，一定要sleep几秒，一是防止给网站带来太大压力，二是防止网站会封锁你的IP，是为他好，也是为了自己好。
5.  把抓来的信息保存到文件中的代码，请自行完成。

下面来看看，被省略掉的部分：

**Book类：**

class Book:
        def __init__(self, name, code, author, price):
            self.name = name
            self.code = code
            self.author = author
            self.price = price
    
        def __str__(self):
            return f'书名：{self.name}，作者：{self.author}，价格：{self.price}，编号：{self.code}'

下面是\_\_str\_\_函数是一个魔法函数，当我们使用print打印一个Book对象的时候，Python会自动调用这个函数。

**parse\_book函数：**

import json
    
    def parse_book(json_text):
        '''根据返回的JSON字符串，解析书的列表'''
        books = []
        # 把JSON字符串转成一个字典dict类
        book_json = json.loads(json_text)
        records = book_json['data']['records']
        for r in records:
            author = r['authors']
            name = r['name']
            code = r['code']
            price = r['price']
            book = Book(name, code, author, price)
            books.append(book)
        return books

1.  在最上面import了json模块，这是Python自带的，不用安装
2.  关键的代码就是使用json把抓来的JSON字符串转成字典，剩下的是对字典的操作，就很容易理解了。

抓取基于JavaScript的网页，复杂主要在于分析过程，一旦分析完成了，抓取的代码比HTML的页面还要更简单清爽。

**---\--\---\---\---\--\---** End **---\--\---\--\---\---\--\-**

往期精彩文章推荐：

*  ## [使用Scrapy网络爬虫框架小试牛刀][Scrapy] ##
 *  ## [一篇文章教会你使用Python下载抖音无水印视频][Python] ##
 *  ## [手把手教你用Python打造一款属于你自己的个性二维码][Python 1]    ##

![3dccc4c2c0ec5b431079829c1148cd40.png][]

欢迎大家**点赞，****留言，****转发，转载，**感谢大家的相伴与支持

想加入Python学习群请在后台回复【**入群**】

万水千山总是情，点个【**在看**】行不行

**/今日留言主题/**

随便说一两句吧~~

[35421e7b88c7491436ac2dd17a212b49.png]: /images/20220829/3a951b43d804447d809debf986a8264b.png
[36dbc7652453b0a66660ecd2448a2d20.png]: /images/20220829/e0140b5f86da4bd58bd1ddad8eba5e20.png
[77636dc6858feed8b0c4f0e82be45897.png]: /images/20220829/8c740eec27f24abc869e97b4c89fc262.png
[c10528b8c2abaf4b14ee7a2a323dd04b.png]: /images/20220829/e56985e51ccd4edfa7aedc393e0665cb.png
[0d27569ab03a61e49de94b5c7473f2b6.png]: /images/20220829/0a9fedea87e940a388ec8848b69bddbb.png
[e8cb2e02a8abc0ddbd90114a3007518c.png]: /images/20220829/88c2bb41e08c409291d9c5a9c33bd502.png
[e0b3cdcff84a558163140b4da684af65.png]: /images/20220829/cbea36f1d3254240956b1321bab416a3.png
[d29085ddd1a87c0f70d9e1b312ab04dc.png]: /images/20220829/83cac6653ad14f7a84593ef15d60aa3b.png
[d032d63443db4be47360c9d04cf0b46e.png]: /images/20220829/47dc7353ed6c4cc89cb56481df350d79.png
[bfa4521a687a74c30cff717d993b76e2.png]: /images/20220829/ed42418f57d044d68d34cd7174aa11f6.png
[Scrapy]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0a420cbb72d3628ac585c84fc90b96c6ecac1ac9cfad631c2bfaaa47ee65689c57ea21c86&idx=1&mid=2247492107&scene=21&sn=71da625bf6457b39d9d3d949bd6e2fc1#wechat_redirect
[Python]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0a7accbb72eba14ab8987ba8bb17f965ad7b9e9bd1affebaf0edcfe36f7cfe0c3d3158e08&idx=1&mid=2247491975&scene=21&sn=a8f6803f3b1bdb3f22933623e709c176#wechat_redirect
[Python 1]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc3595ccbb4d04a47709c878f5f48d590ae3b0c8c06530944fec0f8e113b04a368d22c2550e&idx=1&mid=2247491447&scene=21&sn=007aa46f8f5e223e8a893070481bb704#wechat_redirect
[3dccc4c2c0ec5b431079829c1148cd40.png]: /images/20220829/8da51a964ba54d479aa6c5d5c9589094.png