2018-02-03

爬虫之异步加载（实战花瓣网）

本文章属于爬虫入门到精通系统教程第八讲

本次我们会讲解两个知识点

异步加载
headers中的Accept

本次我们要抓取的是花瓣网美女照片美女花瓣，陪你做生活的设计师（发现、采集你喜欢的美女图片）花瓣网（http://huaban.com/favorite/beauty/）

本次我们会用到的辅助包

scrapy/parsel （https://github.com/scrapy/parsel）(假如你用过scrapy,那么一定不陌生，这就是其中提取器)

Parsel is a library to extract data from HTML and XML using XPath and CSS selectors
简单来讲就是集成了xpath和css，只要你会xpath的话，那么用法没有什么区别

>>> from parsel import Selector
>>> sel = Selector(text=u"""<html>
<body>
<h1>Hello, Parsel!</h1>
<ul>
<li><a href="http://example.com">Link 1</a></li>
<li><a href="http://scrapy.org">Link 2</a></li>
</ul
</body>
</html>""")
>>>
>>> sel.css('h1::text').extract_first()
u'Hello, Parsel!'
>>>
>>> sel.css('h1::text').re('\w+')
[u'Hello', u'Parsel']
>>>
>>> for e in sel.css('ul > li'):
print(e.xpath('.//a/@href').extract_first())
http://example.com
http://scrapy.org

安装方法： pip install parsel

scrapinghub/js2xml（https://github.com/scrapinghub/js2xml）

Convert Javascript code to an XML document
简单来讲就是将JavaScript代码转换为xml文档。然后可以使用xpath从JavaScript中提取数据，不用写一堆正则了。

>>> import js2xml
>>>
>>> jscode = """function factorial(n) {
... if (n === 0) {
... return 1;
... }
... return n * factorial(n - 1);
... }"""
>>> parsed = js2xml.parse(jscode)
>>>
>>> parsed.xpath("//funcdecl/@name") # extracts function name
['factorial']
>>>
>>> print js2xml.pretty_print(parsed) # pretty-print generated XML
<program>
  <funcdecl name="factorial">
    <parameters>
      <identifier name="n"/>
    </parameters>
    <body>
      <if>
        <predicate>
          <binaryoperation operation="===">
            <left>
              <identifier name="n"/>
            </left>
            <right>
              <number value="0"/>
            </right>
          </binaryoperation>
        </predicate>
        <then>
          <block>
            <return>
              <number value="1"/>
            </return>
          </block>
        </then>
      </if>
      <return>
        <binaryoperation operation="*">
          <left>
            <identifier name="n"/>
          </left>
          <right>
            <functioncall>
              <function>
                <identifier name="factorial"/>
              </function>
              <arguments>
                <binaryoperation operation="-">
                  <left>
                    <identifier name="n"/>
                  </left>
                  <right>
                    <number value="1"/>
                  </right>
                </binaryoperation>
              </arguments>
            </functioncall>
          </right>
        </binaryoperation>
      </return>
    </body>
  </funcdecl>
</program>

安装方法: pip install js2xml

开始爬虫

我们先打开美女花瓣，陪你做生活的设计师（发现、采集你喜欢的美女图片）花瓣网（http://huaban.com/favorite/beauty/）

页面分析

如果我们想把这里面所有美女照片抓取下来的话，那么我们的操作步骤应该是这样的

1.打开首页的每一个”相框”，然后点进去

2.获取所有图片的链接，然后下载下来

程序实现：

用程序实现的话，也是挺简单的

获取首页所有“相框”的链接
点进去每个链接
获取详情页的所有图片地址
下载图片

代码：

获取首页所有“相框”的链接
我们打开美女花瓣，陪你做生活的设计师（发现、采集你喜欢的美女图片）花瓣网（http://huaban.com/favorite/beauty/）
按F12
点击如图所示的位置
点击任何一个相框，然后你会看到网页的源代码自动会跳到你当前选中的地方
然后你就可以在这附近找找你想要的链接地址（可以看到/pins/1062650100/，我们可以打开这个地址看看，确认下是我们想要找的）
可以看到图片是一样的，说明我们要找的没错
那么既然我们找到了需要的链接，接下来就是用程序定位到这了。
可以看到链接这边有个class=”img x layer-view loaded”,那么我们可以用以下xpath来获取地址了
//a[@class=”img x layer-view loaded”]/@href

用代码实现：

import requests
from parsel import Selector
url = ‘http://huaban.com/favorite/beauty/‘
headers = {‘User-Agent’:’Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36’}
z = requests.get(url,headers=headers)
print z.status_code
#返回200
#使用parsel中的Selector 来解析
sel = Selector(text=z.text)
print sel.xpath(‘//a[@class=”img x layer-view loaded”]/@href’)
#发现返回为空

这边为什么会返回空呢？不是应该返回所有链接的么？

我们可以查看下网页源代码，可以发现的内容都是通过js渲染上去的，所以我们才获取不到内容（这个可以用js2xml来解析，先放在这里，到详情页再来处理。）

所谓的异步加载

我们还是打开美女花瓣，陪你做生活的设计师（发现、采集你喜欢的美女图片）花瓣网（http://huaban.com/favorite/beauty/）
可以发现我们把页面拖动到最下面，会自动加载出新的内容（整个页面没有跳转，这就是所谓的异步加载。有些网页是需要手动点击“加载更多的”，原理都是一样的）
获取异步加载的请求
打开F12
拖动到页面最下面（有些网站是点击加载更多）
注意我有勾选”xhr”
可以看到每次页面到最底部，都会发送一个请求。这个请求就是所谓的异步加载请求。
可以看到请求的参数如下：

j0ga0has:

max:1062527343

limit:20

wfl:1

j0ga0has第一个参数不知道是怎么回事，先放着
max是最上面的pin_id
limit 是每次返回的条数
有人可能会问，你怎么知道这个参数是干嘛的？其实都是试出来的（或者说看出来的）
如下图的pin_id，可以发现下一条请求的max就是上一条请求获取到的最后一个pin_id
我们查看返回值，发现竟然是json格式的，这样的话，都不需要我们解析了，那我们找找我们需要的链接地址在哪。
发现链接地址就是由pin_id拼接而成的，所以我们只要获取到这个pin_id就行。

用程序来实现：

url = ‘http://huaban.com/favorite/beauty/‘
params = { ‘j0ga0hbi’:’’, ‘max’:’1062161596’, ‘limit’:’100’, ‘wfl’:’1’}
z1 = requests.get(url=url,params=params,headers=headers)
print z1.status_code
#返回200
print z1.json()
#报错

然后发现竟然报错了。。。

为什么呢？我们查看请求的时候就是jsno格式的啊

我们打印下源代码看看

你会看到竟然是<!DOCTYPE html><html这样的，但是我们上面查看请求的时候，明明是如下图这样的啊

那么到底是哪里出了问题呢？

我们再次查看之前我们看到的异步请求

可以发现它有几个特别的请求头

指定了格式为json ,那么我们加上去看看呢

1
2
3

Accept:application/json
X-Request:JSON
X-Requested-With:XMLHttpRequest

1
2
3

headers1 = { ‘User-Agent’:’Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36’, ‘Accept’:’application/json’, ‘X-Request’:’JSON’, ‘X-Requested-With’:’XMLHttpRequest’ }
z2 = requests.get(url=url,params=params,headers=headers1)
print z2.content