Python网络爬虫(三)，,AJAX学习AJAX
Python网络爬虫(三)，,AJAX学习AJAX
AJAX学习
AJAX=Asynchronous JavaScript and XML（异步的 JavaScript 和 XML）。通俗来说，AJAX是一种无需加载整个网页的情况下，通过在后台与服务器进行少量数据交换，更新部分网页的技术，用于创建快速动态网页的技术。
向服务器发送请求与服务器的响应
发送请求可以利用XMLHttpRequest对象的open()和send()方法。
| 方法 | 描述 |
|---|---|
| open(method,url,async) | 规定请求的类型、URL 以及是否异步处理请求。method：请求的类型；GET 或 POST；url：文件在服务器上的位置；async：true（异步）或 false（同步） |
| send(string) | 将请求发送到服务器。string：仅用于 POST 请求 |
服务器的响应需要使用XMLHttpRequest对象的responseText或responseXML属性。
| 属性 | 描述 |
|---|---|
| responseText | 获得字符串形式的响应数据。 |
| responseXML | 获得 XML 形式的响应数据。 |
下面有一段简单的代码:
<html><head><script type="text/javascript">function loadXMLDoc(){var xmlhttp;if (window.XMLHttpRequest) { xmlhttp=new XMLHttpRequest(); }xmlhttp.onreadystatechange=function() { if (xmlhttp.readyState==4 && xmlhttp.status==200) { document.getElementById("myDiv").innerHTML=xmlhttp.responseText; }if(xmlhttp.status==404){document.write("The file doesn't exist.");} }xmlhttp.open("POST","/ajax/demo.asp",true);xmlhttp.setRequestHeader("Content-type","application/x-www-form-urlencoded");xmlhttp.send("fname=Bill&lname=Gates");}</script></head><body><h2>我的一个测试案例</h2><button type="button" onclick="loadXMLDoc()">发出请求</button><div id="myDiv"></div> </body></html>可以在w3wschool测试网站看到相应的用法。
代码中有xmlhttp.onreadystatechange=function()，其中的onreadystatechange是一个事件，意思为当readyState发生改变时，onreadystatechange事件会自动触发。下面是XMLHttpRequest对象的三个重要的属性:
| 属性 | 描述 |
|---|---|
| onreadystatechange | 存储函数（或函数名），每当 readyState 属性改变时，就会调用该函数。 |
| readyState | 存有 XMLHttpRequest 的状态。从 0 到 4 发生变化。0: 请求未初始化；1: 服务器连接已建立；2: 请求已接收；3: 请求处理中；4: 请求已完成，且响应已就绪 |
| status | 200: "OK"；404: 未找到页面 |
网络爬虫相关
python角度分析AJAX
下面我们从python爬虫的角度对AJAX进行思考，可以分为发送请求->解析内容->渲染网页三个步骤。其中发送请求，是使用javascript的代码进行实现，新建了XMLHttpRequest对象，然后利用onreadystatechange属性设置了监听，然后再用open()和send()方法发送请求，而我们在python中是请求后直接可以得到响应结果。解析内容是在发送请求并收到服务器的响应后，onreadystatechange事件又再一次被触发，此时利用xmlhttp的responseText属性就可以获取响应的内容。类似于 Python 中利用 Requests向服务器发起了一个请求，然后得到响应的过程。那么返回内容可能是 HTML，可能是 Json，接下来只需要在方法中用 JavaScript 进一步处理即可。最后一个步骤是渲染网页，我们都知道javascript可以更改网页内容，而代码中document.getElementById().innerHTM这样的操作就是对某个元素内的源代码进行更改，这样网页显示的内容就发生了改变；这是对Document网页文档进行了操作，即DOM操作。在python中我们同样的也是利用beautifulsoup库解析了网页后，查找其中的节点然后进行提取，AJAX只不过在对应的节点处更改为服务器返回的内容，这样原网页的代码量很少，但是渲染的时候是通过服务器的响应进行渲染的。
AJAX分析
首先我们在浏览器中进入F12开发者模式，进入存储并刷新一个页面(这里以用FireFox打开微博为例)，会出现很多请求，这实际上就是在页面加载过程中浏览器与服务器之间发送 Request 和接收 Response 的所有记录。
而AJAX请求类型为xhr，可以看到有下面3条请求，我们随便点进去一个进行查看:
而我们所有请求的第一个则是网页的源代码，基本上只是写出了节点，没有渲染的代码。当我们加载新内容的时候，会出现新的AJAX请求，比如笔者这里提供三个请求地址:
https://m.weibo.cn/api/container/getIndex?type=uid&value=2145291155&containerid=1005052145291155https://m.weibo.cn/api/container/getIndex?type=uid&value=2145291155&containerid=1076032145291155https://m.weibo.cn/api/container/getIndex?type=uid&value=2145291155&containerid=1076032145291155&page=2
每次更新都会有新的请求。所以我们需要利用python来实现AJAX请求的模拟，从而实现数据的抓取。
Python提取AJAX数据
首先分析一下上面笔者列出的三个请求地址，发现地址都包含有type、value、containerid与page，前两个地址加上page=1也是可以请求的，浏览器自动省略了而已。观察一下这些请求，发现它们的 type、value、containerid 始终如一。type 始终为 uid，value的值就是页面的链接中的数字，其实这就是用户的 id，另外还有一个containerid，经过观察发现它就是 107603 然后加上用户id。所以改变的值就是 page，很明显这个参数就是用来控制分页的，page=1 代表第一页，page=2 代表第二页，以此类推。
那么我们只需要以这些参数作为请求参数请求然后抓取json数据就行了。
Python网络爬虫(三)
评论关闭