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：

浏览器呈现的网页如下图所示：

查看源码，却是如下图所示：

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：

• 从网页响应中找到JS脚本返回的JSON数据；
• 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

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：http://www.toutiao.com/api/pc/focus/

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。

猜你也喜欢