python抓取动态网页(什么是HTML源码中的JS动态生成？(一))

　　python抓取动态网页(什么是HTML源码中的JS动态生成？(一))

　　我们之前抓取的网页大多是 HTML 静态生成的内容。您可以直接从 HTML 源代码中找到您看到的数据和内容。然而，并不是所有的网页都是这样。

　　网站的部分内容是前端JS动态生成的。由于网页呈现的内容是由JS生成的，我们可以在浏览器上看到，但是在HTML源代码中是找不到的。 例如，今天的头条新闻：

　　浏览器渲染的网页如下图所示：

　　

　　查看源码，却是如下图：

　　

　　网页上的新闻在HTML源代码中找不到，都是JS动态生成和加载的。

　　在这种情况下，我们应该如何抓取网页？有两种方式：

　　从网页响应中查找JS脚本返回的JSON数据；

　　使用 Selenium 模拟访问网页

　　这里只介绍第一种方法。关于Selenium的使用有专门的文章。

　　一、从网页响应中查找JS脚本返回的JSON数据

　　即使网页内容是由JS动态生成和加载的，JS也需要调用一个接口，根据接口返回的JSON数据进行加载和渲染。

　　这样我们就可以找到JS调用的数据接口，从数据接口中找到网页最后呈现的数据。

　　以今日头条为例说明：

　　1、找到JS请求的数据接口

　　F12 打开网页调试工具

　　

　　网页调试工具

　　选择“网络”选项卡后，我们发现有很多响应。让我们过滤它们，只查看 XHR 响应。 （XHR 是 Ajax 中的一个概念，意思是 XMLHTTPrequest）

　　然后我们发现很多链接都没有了，随便点一个看看：

　　我们选择city，预览中有一串json数据：

　　

　　让我们再次点击打开它：

　　

　　原来都是城市列表，应该用来加载地区新闻。

　　现在你应该明白如何找到JS请求的接口了吧？但是刚才没有找到想要的消息，所以再找一下：

　　有个焦点，我们点一下看看：

　　

　　首页图片新闻呈现的数据是一样的，所以数据应该是有的。

　　查看其他链接：

　　

　　这应该是热搜关键词

　　

　　

　　返回一串乱码，但从响应中看到的是正常编码的数据：

　　有了对应的数据接口，我们就可以模仿前面的方法向数据接口请求并得到响应

　　2、请求解析数据接口数据

　　先上传完整代码：

　　# 编码：utf-8

　　导入请求

　　导入json

　　url ='#39;

　　wbdata = requests.get(url).text

　　data = json.loads(wbdata)

　　news = data['data']['pc_feed_focus']

　　对于新闻中的 n：

　　title = n['title']

　　img_url = n['image_url']

　　url = n['media_url']

　　打印（网址，标题，img_url）

　　返回结果如下：

　　

　　像往常一样，稍微解释一下代码：

　　代码分为四部分，

　　第 1 部分：导入相关库

　　# 编码：utf-8

　　导入请求

　　导入json

　　第 2 部分：向数据接口发出 http 请求

　　url ='#39;

　　wbdata = requests.get(url).text