python動(dòng)態(tài)網(wǎng)站爬蟲實(shí)戰(zhàn)(requests+xpath+demjson+redis)
前言
之前簡(jiǎn)單學(xué)習(xí)過(guò)python爬蟲基礎(chǔ)知識(shí),并且用過(guò)scrapy框架爬取數(shù)據(jù),都是直接能用xpath定位到目標(biāo)區(qū)域然后爬取??蛇@次碰到的需求是爬取一個(gè)用asp.net編寫的教育網(wǎng)站并且將教學(xué)ppt一次性爬取下來(lái),由于該網(wǎng)站部分內(nèi)容渲染采用了js,所以比較難用xpath直接定位,同時(shí)發(fā)起下載ppt的請(qǐng)求比較難找。
經(jīng)過(guò)琢磨和嘗試后爬取成功,記錄整個(gè)爬取思路供自己和大家學(xué)習(xí)。文章比較詳細(xì),對(duì)于一些工具包和相關(guān)函數(shù)的使用會(huì)在源代碼或正文中添加注釋來(lái)介紹簡(jiǎn)單相關(guān)知識(shí)點(diǎn),如果某些地方看不懂可以通過(guò)注釋及時(shí)去查閱簡(jiǎn)單了解,然后繼續(xù)閱讀。(尾部有源代碼,全文僅對(duì)一些敏感的個(gè)人信息數(shù)據(jù)進(jìn)行了省略。)
一、主要思路
1、觀察網(wǎng)站
研究從進(jìn)入網(wǎng)站到成功下載資源需要幾次url跳轉(zhuǎn)。
先進(jìn)入目標(biāo)網(wǎng)站首頁(yè),依次點(diǎn)擊教材->選擇初中->選擇教輔->選擇學(xué)科->xxx->資源列表->點(diǎn)擊下載ppt。

目標(biāo)網(wǎng)站首頁(yè)

資源列表

資源詳情頁(yè)
分析url每步跳轉(zhuǎn)以及資源下載是否需要cookie等header信息。
通過(guò)一步步跳轉(zhuǎn)進(jìn)入到最終的資源詳情頁(yè),最終點(diǎn)擊下載資源按鈕時(shí)網(wǎng)站提示并且跳轉(zhuǎn)到了登陸頁(yè)面,說(shuō)明發(fā)起下載的請(qǐng)求可能需要攜帶cookie等頭部信息。
2、編寫爬蟲代碼
- 登陸賬戶,獲取到識(shí)別用戶的cookies
- 請(qǐng)求資源列表頁(yè)面,定位獲得左側(cè)目錄每一章的跳轉(zhuǎn)url。
- 請(qǐng)求每個(gè)跳轉(zhuǎn)url,定位資源列表頁(yè)面右側(cè)下載資源按鈕的url請(qǐng)求(注意2、3步是圖資源列表)
- 發(fā)起url請(qǐng)求,進(jìn)入資源詳情頁(yè),定位獲得下載資源按鈕的url請(qǐng)求(第4步是圖資源詳情頁(yè))
- 發(fā)起請(qǐng)求,將下載的資源數(shù)據(jù)寫入文件。
這是本次爬蟲實(shí)戰(zhàn)編寫代碼的大致思路,具體每次步驟碰到的難點(diǎn)以及如何解決在接下來(lái)的實(shí)戰(zhàn)介紹中會(huì)進(jìn)行詳細(xì)分析。
二、爬蟲實(shí)戰(zhàn)
1、登陸獲取cookie
首先網(wǎng)站登陸,獲取到cookie和user-agent,作為之后請(qǐng)求的頭部。設(shè)置全局變量HEADER,方便調(diào)用
HEADER = {
'User-Agent':
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36(KHTML, like Gecko)Chrome/93.0.4577.63 Safari/537.36", 'Cookie':"xxxxxxx",
}
2、請(qǐng)求資源列表頁(yè)面,定位獲得左側(cè)目錄每一章的跳轉(zhuǎn)url(難點(diǎn))
首先使用requests發(fā)起資源列表頁(yè)面的請(qǐng)求

資源列表
BASE_URL = "http://www.guishiyun.com" #賦值網(wǎng)站根域名作為全局變量,方便調(diào)用
res = requests.get(BASE_URL +
"/res_list.aspx?rid=9&tags=1-21,12-96,2-24,3-70",
headers=HEADER).text #發(fā)起請(qǐng)求,獲得資源列表頁(yè)面的html
難點(diǎn):定位獲得左側(cè)目錄每一章的跳轉(zhuǎn)url
正常思路:打開(kāi)瀏覽器控制臺(tái),查看網(wǎng)頁(yè)源代碼,尋找頁(yè)面左側(cè)課程目錄的章節(jié)在哪個(gè)元素內(nèi),用xpath定位。

使用xpath定位,發(fā)現(xiàn)無(wú)法定位到這個(gè)a標(biāo)簽,在確認(rèn)xpath語(yǔ)法無(wú)錯(cuò)誤后,嘗試打印上個(gè)代碼段中的res變量(也就是該html頁(yè)面),發(fā)現(xiàn)返回的頁(yè)面和控制臺(tái)頁(yè)面不同。
轉(zhuǎn)換思路:可能該頁(yè)面使用其他渲染方式渲染了html,導(dǎo)致瀏覽器控制臺(tái)看到的html和請(qǐng)求返回的不一樣(瀏覽器會(huì)將渲染后的頁(yè)面呈現(xiàn)),打開(kāi)控制臺(tái),查看頁(yè)面源代碼,搜素九年級(jí)上冊(cè)(左側(cè)目錄標(biāo)題),發(fā)現(xiàn)在js的script腳本中,得出該頁(yè)面應(yīng)該是通過(guò)JS渲染DOM得來(lái)的,該js對(duì)象中含有跳轉(zhuǎn)的url。

xpath行不通后,我選擇采用正則表達(dá)式的方式直接篩選出該代碼。
import re #導(dǎo)入re 正則表達(dá)式包 pattern = r'var zNodes = (\[\s*[\s\S]*\])' #定義正則表達(dá)式,規(guī)則:找出以"var zNodes = [ \n"開(kāi)頭,含有"[多個(gè)字符或空格]"的字符,并且以"]"結(jié)尾的文本 (相關(guān)知識(shí)不熟悉的可以簡(jiǎn)單看看菜鳥(niǎo)的正則表達(dá)式) result = re.findall(pattern, res, re.M | re.I) #python正則表達(dá)式,查找res中符合pattern規(guī)則的文本。re.M多行匹配,re.I忽略大小寫。
將前兩個(gè)代碼塊封裝一下
def getRootText():
res = requests.get(BASE_URL +
"/res_list.aspx?rid=9&tags=1-21,12-96,2-24,3-70",
headers=HEADER).text #請(qǐng)求
pattern = r'var zNodes = (\[\s*[\s\S]*\])'
result = re.findall(pattern, res, re.M | re.I)
return result[0] #獲得篩選結(jié)果 [{id: 1322, pI': 1122, name: '九年級(jí)上冊(cè)', open: False, url: ?catId=1322&tags=1-21%2c12-96%2c2-24%2c3-70&rid=9#bottom_content', target: '_self'}, {...},{...}]
將結(jié)果轉(zhuǎn)換成dict類型,方便遍歷,獲得每個(gè)章節(jié)的url。瀏覽上面得出的result發(fā)現(xiàn),{id:1322,pId:xxx...}并不是標(biāo)準(zhǔn)的json格式(key沒(méi)有引號(hào)),此時(shí)使用第三方包demjson,用于將不規(guī)則的json字符串變成python的dict對(duì)象。
import demjson
def textToDict(text):
data = demjson.decode(text)
#獲得篩選結(jié)果[{'id': 1322, 'pId': 1122, 'name': '九年級(jí)上冊(cè)', 'open': False, 'url': '?catId=1322&tags=1-21%2c12-96%2c2-24%2c3-70&rid=9#bottom_content', 'target': '_self'}, {...},{...}]
return data
遍歷轉(zhuǎn)換好的dict數(shù)據(jù),獲得左側(cè)目錄每一章的url。此處需要注意的是,本人目的是下載每一章的ppt課件,所以我只需要請(qǐng)求每一個(gè)總章節(jié)的url(即請(qǐng)求第 1 章,第 2 章,不需要請(qǐng)求 1.1反比例函數(shù)),右邊就會(huì)顯示該章節(jié)下的所有ppt課件。所以我在遍歷的時(shí)候,可以通過(guò)正則表達(dá)式,篩選出符合名稱要求的url,添加進(jìn)list并且返回。

def getUrls(dictData):
list = []
pattern = r'第[\s\S]*?章' #正則規(guī)則:找出以"第"開(kāi)頭,中間包含多個(gè)空格和文字,以"章"結(jié)尾的文本
for data in dictData: #遍歷上文轉(zhuǎn)換得到的dict數(shù)組對(duì)象
if len(re.findall(pattern, data['name'])) != 0:
list.append(data['url']) #如果符合則將該url添加到列表中
return list
3、請(qǐng)求每個(gè)跳轉(zhuǎn)url,定位右側(cè)下載資源按鈕,獲得url請(qǐng)求
遍歷從上面獲得的url列表,通過(guò)拼接網(wǎng)站域名獲得網(wǎng)站url,然后發(fā)起請(qǐng)求
def download(urlList): # urlList是上面獲得的list
for url in urlList:
res = requests.get(BASE_URL + '/res_list.aspx/' + url, HEADER).text #完整url請(qǐng)求,獲得頁(yè)面html
查看源代碼,發(fā)現(xiàn)可以用xpath定位(目標(biāo)是獲取到onclick里的url)

分析:該按鈕元素 (<input type=button>)在<div class='res_list'><ul><li><div>里。xpath定位代碼如下:
root = etree.HTML(res) # 構(gòu)造一個(gè)xpath對(duì)象
liList = root.xpath('//div[@class="res_list"]//ul//li') #xpath語(yǔ)法,返回多個(gè)<li>及子元素對(duì)象的列表
遍歷liList ,獲得資源名字(為之后下載寫入ppt的文件命名)以及跳轉(zhuǎn)到資源詳情下載頁(yè)的url
for li in liList:
name = li.xpath('.//div[@class="info_area"]//div//h1//text()')
name = name[0] # xpath返回的是包含name的列表,從中提取字符串 print(name): 1.1 反比例函數(shù)
btnurl = li.xpath('.//div[@class="button_area"]//@onclick') # 獲得onlick內(nèi)的字符串 "window.open('res_view.aspx....')"
pattern = r'\(\'([\s\S]*?)\'\)'# 只需要window.open內(nèi)的url,所以采用正則提取出來(lái)。
btnurl1 = re.findall(pattern, btnurl[0])
4、跳轉(zhuǎn)到資源詳情下載頁(yè),獲得真正的下載請(qǐng)求(難點(diǎn))
上文代碼段中獲取到url之后依舊是拼接域名,然后通過(guò)完整url發(fā)起請(qǐng)求,獲得資源詳情下載頁(yè)面的html數(shù)據(jù)。
res1 = requests.get(BASE_URL + '/' + btnurl1[0], HEADER).text

跳轉(zhuǎn)后的詳情頁(yè)面
查看源代碼后按鈕本身只是觸發(fā)表單提交,而且是post請(qǐng)求。點(diǎn)擊下載資源按鈕,使用瀏覽器控制臺(tái)抓包查看post請(qǐng)求需要的參數(shù)。

使用ctrl+f在網(wǎng)頁(yè)源代碼中搜素這幾個(gè)參數(shù),發(fā)現(xiàn)存在于<input> 標(biāo)簽中,只是被css 隱藏了,所以接下來(lái)就是簡(jiǎn)單的用xpath 和正則表達(dá)式將post請(qǐng)求中的url和這幾個(gè)參數(shù)值獲得,然后添加到header中發(fā)起請(qǐng)求就行了。
VIEWSTATE = '__VIEWSTATE' # 全局變量,定義屬性名稱 VIEWSTATEGENERATOR = '__VIEWSTATEGENERATOR' EVENTVALIDATION = '__EVENTVALIDATION' BUTTON = 'BUTTON' BUTTON_value = '下 載 資 源'
root1 = etree.HTML(res1) # res1是之前代碼段請(qǐng)求的html文本
form = root1.xpath('//form[@id="form1"]') # xpath定位到form
action = root1.xpath('//form[@id="form1"]/@action')
action = re.findall(r'(/[\S]*?&[\S]*?)&', action[0], re.I) #正則表達(dá)式獲取form中action函數(shù)里的url
VIEWSTATE_value = form[0].xpath(
'.//input[@name="__VIEWSTATE"]//@value') #獲取參數(shù)值
VIEWSTATEGENERATOR_value = form[0].xpath(
'.//input[@name="__VIEWSTATEGENERATOR"]//@value')#獲取參數(shù)值
EVENTVALIDATION_value = form[0].xpath(
'.//input[@name="__EVENTVALIDATION"]/@value')#獲取參數(shù)值
data = { # post提交所需要的data參數(shù)
VIEWSTATE: VIEWSTATE_value,
VIEWSTATEGENERATOR: VIEWSTATEGENERATOR_value,
EVENTVALIDATION: EVENTVALIDATION_value,
BUTTON: BUTTON_value
}
res2 = requests.post(BASE_URL + action[0],data=data,headers=HEADER).text #發(fā)起請(qǐng)求
此時(shí)發(fā)起請(qǐng)求之后發(fā)現(xiàn)返回的仍然是網(wǎng)頁(yè)html,如果打開(kāi)控制臺(tái)工具,查看點(diǎn)擊按鈕發(fā)起請(qǐng)求后的頁(yè)面。

同時(shí)看到由于是更新頁(yè)面,還產(chǎn)生了許多其他各種各樣的請(qǐng)求,一時(shí)間很難找到真正下載文件的請(qǐng)求是哪一個(gè)。
此時(shí)筆者想到的是一個(gè)笨方法,通過(guò)抓包工具,對(duì)所有請(qǐng)求進(jìn)行攔截,然后一個(gè)個(gè)請(qǐng)求陸續(xù)通過(guò),最終就可以找到下載請(qǐng)求。這里筆者用到的是BurpSuite 工具,陸續(xù)放行請(qǐng)求,觀察頁(yè)面是否有下載界面出現(xiàn),找到了url:/code/down_res.ashx?id=xxx ,同時(shí)在瀏覽器控制臺(tái)查找這一串字符串,最終在post請(qǐng)求返回的頁(yè)面中找到了這個(gè)字符串的位置

不用多說(shuō),直接正則獲取
downUrl = re.search(r'\<script\>[\s]*?location\.href\s=\s\'([\S]*?)\'',res2,re.I) #正則篩選出url downUrl_text = downUrl.group(1)
發(fā)起請(qǐng)求,并且將數(shù)據(jù)讀寫進(jìn)指定的目錄中。
downPPT = requests.get(BASE_URL+downUrl_text,headers=HEADER)
with open(f'./test/{name}.ppt','wb') as f: #將下載的數(shù)據(jù)以二進(jìn)制的形式寫入到當(dāng)前項(xiàng)目下test文件夾中,并且做好命名。name參數(shù)在上文中已經(jīng)獲得。
f.write(downPPT.content)
結(jié)果

5、添加額外功能,實(shí)現(xiàn)增量爬蟲
爬取到一半發(fā)現(xiàn)程序終止了,原來(lái)該網(wǎng)站對(duì)每個(gè)賬號(hào)每天下載數(shù)有限額,而我們的程序每次運(yùn)行都會(huì)從頭開(kāi)始檢索,如何對(duì)已經(jīng)爬取過(guò)的url進(jìn)行存儲(chǔ),同時(shí)下次程序運(yùn)行時(shí)對(duì)已爬取過(guò)的url進(jìn)行識(shí)別?這里筆者使用的是通過(guò)redis進(jìn)行存儲(chǔ),原理是對(duì)每次下載的url進(jìn)行存儲(chǔ),在每次發(fā)起下載請(qǐng)求時(shí)先判斷是否已經(jīng)存儲(chǔ),如果已經(jīng)存儲(chǔ)則跳過(guò)本次循環(huán)。
if(r.sadd(BASE_URL + action[0],'1')==0): # sadd是redis添加鍵值的方法,如果==0說(shuō)明已經(jīng)存在,添加失敗。
continue
6、總源代碼
import re
import requests
from lxml import etree
import demjson
import redis
pool = redis.ConnectionPool(host='localhost', port=6379, decode_responses=True)
r = redis.Redis('localhost',6379,decode_responses=True)
BASE_URL = "http://www.guishiyun.com"
HEADER = {
'User-Agent':
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36",
'Cookie':
"xxx",
}
VIEWSTATE = '__VIEWSTATE'
VIEWSTATEGENERATOR = '__VIEWSTATEGENERATOR'
EVENTVALIDATION = '__EVENTVALIDATION'
BUTTON = 'BUTTON'
BUTTON_value = '下 載 資 源'
def getRootText():
res = requests.get(BASE_URL +
"/res_list.aspx?rid=9&tags=1-21,12-96,2-24,3-70",
headers=HEADER).text
pattern = r'var zNodes = (\[\s*[\s\S]*\])'
result = re.findall(pattern, res, re.M | re.I)
return result[0]
def textToDict(text):
data = demjson.decode(text)
print(data)
return data
def getUrls(dictData):
list = []
pattern = r'第[\s\S]*?章'
for data in dictData:
if len(re.findall(pattern, data['name'])) != 0:
list.append(data['url'])
return list
def download(urlList):
global r
for url in urlList:
res = requests.get(BASE_URL + '/res_list.aspx/' + url, HEADER).text
root = etree.HTML(res)
liList = root.xpath('//div[@class="res_list"]//ul//li')
for li in liList:
name = li.xpath('.//div[@class="info_area"]//div//h1//text()')
name = name[0]
btnurl = li.xpath('.//div[@class="button_area"]//@onclick')
pattern = r'\(\'([\s\S]*?)\'\)'
btnurl1 = re.findall(pattern, btnurl[0])
res1 = requests.get(BASE_URL + '/' + btnurl1[0], HEADER).text
root1 = etree.HTML(res1)
form = root1.xpath('//form[@id="form1"]')
action = root1.xpath('//form[@id="form1"]/@action')
action = re.findall(r'(/[\S]*?&[\S]*?)&', action[0], re.I)
VIEWSTATE_value = form[0].xpath(
'.//input[@name="__VIEWSTATE"]//@value')
VIEWSTATEGENERATOR_value = form[0].xpath(
'.//input[@name="__VIEWSTATEGENERATOR"]//@value')
EVENTVALIDATION_value = form[0].xpath(
'.//input[@name="__EVENTVALIDATION"]/@value')
data = {
VIEWSTATE: VIEWSTATE_value,
VIEWSTATEGENERATOR: VIEWSTATEGENERATOR_value,
EVENTVALIDATION: EVENTVALIDATION_value,
BUTTON: BUTTON_value
}
if(r.sadd(BASE_URL + action[0],'1')==0):
continue
res2 = requests.post(BASE_URL + action[0],data=data,headers=HEADER).text
downUrl = re.search(r'\<script\>[\s]*?location\.href\s=\s\'([\S]*?)\'',res2,re.I)
downUrl_text = downUrl.group(1)
if(r.sadd(BASE_URL+downUrl_text,BASE_URL+downUrl_text,downUrl_text)==0):
continue
downPPT = requests.get(BASE_URL+downUrl_text,headers=HEADER)
with open(f'./test/{name}.ppt','wb') as f:
f.write(downPPT.content)
def main():
text = getRootText()
dictData = textToDict(text)
list = getUrls(dictData)
# download(list)
if __name__ == '__main__':
main()
三、總結(jié)
之前只是學(xué)習(xí)過(guò)最簡(jiǎn)單最基礎(chǔ)的requests請(qǐng)求+xpath 定位的爬蟲方式,這次碰巧遇到了較為麻煩的爬蟲實(shí)戰(zhàn),所以寫下爬蟲思路和實(shí)戰(zhàn)筆記,加深自己印象的同時(shí)也希望能對(duì)大家有所幫助。當(dāng)然這次爬蟲總的來(lái)說(shuō)還是比較簡(jiǎn)單,還沒(méi)有考慮代理+多線程等情況,同時(shí)還可以使用selenium等瀏覽器渲染工具,就可以不用正則定位了,當(dāng)然筆者是為了順便學(xué)習(xí)一下正則。
到此這篇關(guān)于python動(dòng)態(tài)網(wǎng)站爬蟲實(shí)戰(zhàn)(requests+xpath+demjson+redis)的文章就介紹到這了,更多相關(guān)python動(dòng)態(tài)網(wǎng)站爬蟲 內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
pytorch之torch.nn.Identity()的作用及解釋
這篇文章主要介紹了pytorch之torch.nn.Identity()的作用及解釋,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-08-08
Python實(shí)現(xiàn)使用request模塊下載圖片demo示例
這篇文章主要介紹了Python實(shí)現(xiàn)使用request模塊下載圖片,結(jié)合完整實(shí)例形式分析了Python基于requests模塊的流傳輸文件下載操作相關(guān)實(shí)現(xiàn)技巧,需要的朋友可以參考下2019-05-05
Python基礎(chǔ)學(xué)習(xí)之函數(shù)和代碼復(fù)用詳解
函數(shù)能提高應(yīng)用的模塊性,和代碼的重復(fù)利用率,下面這篇文章主要給大家介紹了關(guān)于Python基礎(chǔ)學(xué)習(xí)之函數(shù)和代碼復(fù)用的相關(guān)資料,文中通過(guò)實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-08-08
ubuntu 18.04 安裝opencv3.4.5的教程(圖解)
這篇文章主要介紹了ubuntu 18.04 安裝opencv3.4.5的教程,本文圖文并茂給大家介紹的非常詳細(xì),具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-11-11
pycharm修改IP、端口無(wú)效的問(wèn)題及解決方案
文章介紹了在PyCharm中修改IP和端口無(wú)效的問(wèn)題解決步驟,包括修改`app.py`文件、刪除PyCharm啟動(dòng)項(xiàng)中的所有數(shù)據(jù)、新增一個(gè)Python配置并設(shè)置參數(shù),最后進(jìn)行測(cè)試2025-02-02
python進(jìn)階_淺談面向?qū)ο筮M(jìn)階
下面小編就為大家?guī)?lái)一篇python進(jìn)階_淺談面向?qū)ο筮M(jìn)階。小編覺(jué)得挺不錯(cuò)的,現(xiàn)在就分享給大家,也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2017-08-08
Python解決MySQL數(shù)據(jù)處理從SQL批量刪除報(bào)錯(cuò)
這篇文章主要為大家介紹了Python解決MySQL數(shù)據(jù)處理從SQL批量刪除報(bào)錯(cuò),有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-12-12
Python運(yùn)維開(kāi)發(fā)之psutil庫(kù)的使用詳解
這篇文章主要介紹了Python運(yùn)維開(kāi)發(fā)之psutil庫(kù)的使用,psutil能夠輕松實(shí)現(xiàn)獲取系統(tǒng)運(yùn)行的進(jìn)程和系統(tǒng)利用率。小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2018-10-10
Python?for循環(huán)詳細(xì)講解(附代碼實(shí)例)
這篇文章主要給大家介紹了關(guān)于Python?for循環(huán)詳細(xì)講解的相關(guān)資料,在Python中,for循環(huán)是一種常用的控制結(jié)構(gòu),用于遍歷序列(如列表、元組、字符串等)中的元素,需要的朋友可以參考下2024-03-03

