爬虫毕设（三）：爬取动态网页

动态网页分析

按照上一篇的分析，直接使用XPath找到该标签，然后通过parse提取出数据，在写入到item中就完事了。但是，当信心满满的写完代码后却发现，控制台输入了一个简简单单的[]。

小问号你是否有很多朋友。

一顿操作猛如虎，一看输出数据无。那么这到底是怎么回事呢？我们从头开始分析。

打开NetWork，找到tv/，点开Preview，结果发现只有一个框架，内容却是空白的。

这是由于网页执行js代码，通过Ajax请求数据来重新渲染页面的。所以我们需要找到有数据的那一个请求，然后再对该请求的目标url爬取。

可以在preview中看到这就是我们想要的数据。

我们再找到该请求的header，找到Request URL。

我们直接复制链接到地址栏中，看到我们想要的数据，这熟悉的格式，不就是json吗。

动手撸代码，爬取这个网页，处理json数据，拿到自己想要的数据。

class tvSpider(scrapy.Spider):name = "douban_tv"allowed_domain = ["movie.douban.com"]def __init__(self, *args, **kwargs):super(tvSpider, self).__init__(*args, **kwargs)self.start_urls = ["https://movie.douban.com/j/search_subjects?type=tv&tag=热门&sort=recommend&page_limit=20&page_start=0"]def parse(self, response):results = json.loads(response.body)['subjects']for result in results:tv_item = TvListItem()url = result['url']tv_item['url'] = url.strip()print(url)

这次我们的思路是先拿到每部电视剧的url，然后再回调二次解析的函数获取详细信息。运行爬虫，可以看到我们已经得到了自己想要的结果。
接下在就迭代使用scrapy.Request()请求每一个url，再使用二次解析函数parse_detait获取详细数据。

two years later。经过漫长的debug，终于得到以下代码代码：

    def parse_detail(self, response):tv_item = response.meta['tv_item']result = Selector(response)# 字符串前加u表示处理中文字符# 剧名title = result.xpath(u'//div[@id="content"]/h1/span[1]/text()').extract()[0] + result.xpath('//div[@id="content"]/h1/span[2]/text()').extract()[0]# 又名has_alias = result.xpath(u'//div[@id="info"]//span[text()="又名:"]').extract()if has_alias:alias = result.xpath(u'//div[@id="info"]//span[text()="又名:"]/following::text()[1]').extract()[0]else:alias = ''# 图片tv_img = result.xpath('//a[@class="nbgnbg"]/img/@src').extract()[0]# 导演has_dir = result.xpath('//div[@id="content"]//span[text()="导演"]')if has_dir:directors = result.xpath('//div[@id="info"]//span[@class="attrs"]//a[@rel="v:directedBy"]/text()')director_lsit = directors.extract()director = '/'.join(director_lsit)# 主演all_actors = result.xpath('//div[@id="info"]//span[@class="attrs"]//a[@rel="v:starring"]/text()')actors_list = all_actors[:5].extract()actors = '/'.join(actors_list)# 类型tv_types = result.xpath('//div[@id="info"]//span[@property="v:genre"]/text()')type_list = tv_types.extract()tv_type = '/'.join(type_list)# 制片地区或国家country_or_region = result.xpath(u'//div[@id="info"]//span[text()="制片国家/地区:"]/following::text()[1]').extract()[0]# 首播first_time = result.xpath('//div[@id="content"]//span[@property="v:initialReleaseDate"]/text()').extract()[0]# 集数 series = result.xpath(u'//div[@id="content"]//span[text()="集数:"]/following::text()[1]').extract()[0]# 单集has_single = result.xpath('//div[@id="content"]//span[text()="单集片长:"]')if has_single:single = result.xpath(u'//div[@id="content"]//span[text()="单集片长:"]/following::text()[1]').extract()[0]# 评分rate = result.xpath('//strong/text()').extract()[0]# 评分人数votes_num = result.xpath('//span[@property="v:votes"]/text()').extract()[0]# 简介synopsis = result.xpath('//span[@property="v:summary"]/text()').extract()[0].strip()tv_item['title'] = title.strip()tv_item['alias'] = alias.split()tv_item['tv_img'] = tv_img.strip()tv_item['director'] = director.strip()tv_item['actors'] = actors.strip()tv_item['tv_type'] = tv_type.strip()tv_item['country_or_region'] = country_or_region.strip() tv_item['first_time'] = first_time.strip()tv_item['series'] = series.strip()tv_item['single'] = single.strip()tv_item['rate'] = rate.strip()tv_item['votes_num'] = votes_num.strip()tv_item['synopsis'] = synopsisprint('电视剧信息>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>')print('剧名：' + title)print('又名：' + alias)print('海报：' + tv_img)print('导演：' + director)    print('主演：' + actors)       print('类型：' + tv_type)     print('制片国家或地区：' + country_or_region)print('首播：' + first_time)print('集数：' + series)print('单集时长：' + single)print('评分：' + rate)print('评分人数：' + votes_num)print('简介：' + synopsis)

然后整整二十部电视剧的简介疯狂刷屏：

虽然经历了一番腰酸背痛，头眼昏花，问题好歹是解决了。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！