Ajax数据的爬取（淘女郎为例）

Ajax数据的爬取（淘女郎为例）
如有疑问，转到 Wiki

淘女郎模特抓取教程

网址：https://0x9.me/xrh6z

判断一个页面是不是 Ajax 加载的方法：

查看网页源代码，查找网页中加载的数据信息，如果源代码中不显示，证明是 Ajax 加载。
如果是网站源代码中就包含要爬取的信息，那么就直接只用正则拿数据出来就行了
但是如果网页源码中没有，那么就是 Ajax 了，可以进行抓包找到获取数据的相关接口，操作如下（以爬取淘女郎美女信息为例）：

一、初级

寻找 API 接口：获取模特列表。

如果使用的是 Chrome 的话，可以首先选中 XHR 来更快速的找出获取数据的 API，如果在 XHR 里面没有再去 JS 里面一个个的寻找。

找到 API 的 URL 为：https://mm.taobao.com/alive/list.do

经过尝试，后面的参数都是可以去掉的，访问的时候默认 page 为 1 ，所以如果要获取到所有页，需要使用 for 循环分别获取每一页的模特列表。

然后打开一个模特的详情页面，使用红框圈住的地方都是我们要获取到的数据

打开开发者工具，然后进行和刚刚相似的抓包操作。首先选中 XHR 进行快速的找出获取数的 API 接口，可以很容易的找到这个地址：

二、中级

下面我们抓取所有的妹子数据到文件中：

不难找到获取后台数据的地址为：https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8

但是我们发现在地址的 GET 参数中只有一个_input_charset=utf-8，而且默认获取的是第一页的妹子列表，正常情况下我们在 GET 参数中可以看到page=1类似的项，但这里没有，那么很显然它没有用GET就肯定用了 POST ，结果一看发现确实是这样子的。

那么，这就简单了，使用 requests 库 post 请求数据，将请求来的 json 数据保存成表格，这项工作就结束了。

下面贴出代码：

a. myheaders.py ----这个文件里保存了一些常用的 headers 头信息

#!/usr/bin/env python # -*- coding: utf-8 -*- # @Date: 2018-02-02 19:40:50 # @Author : cnsimo (2020745751@qq.com) # @Link: # @Version : 1.0 import random uaStr = '''Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50 Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50 Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0) Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0) Mozilla/5.0 (Windows NT 6.1; rv,2.0.1) Gecko/20100101 Firefox/4.0.1 Mozilla/5.0 (Windows NT 6.1; rv,2.0.1) Gecko/20100101 Firefox/4.0.1 Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11 Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11 Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SE 2.X MetaSr 1.0; SE 2.X MetaSr 1.0; .NET CLR 2.0.50727; SE 2.X MetaSr 1.0) MQQBrowser/26 Mozilla/5.0 (Linux; U; Android 2.3.7; zh-cn; MB200 Build/GRJ22; CyanogenMod-7) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1''' def getUA(): uaList = uaStr.split('\n') length = len(uaList) return uaList[random.randint(0,length-1)] if __name__ == '__main__': print(getUA())

b. mmtao.py -----主程序

#!/usr/bin/env python # -*- coding: utf-8 -*- # @Date: 2018-02-02 23:11:08 # @Author : cnsimo (2020745751@qq.com) # @Link: # @Version : 1.0 from myheaders import getUA import requests import re import time import csv mmListUrl = 'http://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8' mmUrl = '' # 获得总共的页数 def getTotalPage(): headers = {'User-Agent': getUA()} req = requests.get(mmListUrl, headers=headers) res = req.json() return res['data']['totalPage'] # 获取列表的函数 def getMMList(cpage = 1): headers = {'User-Agent': getUA()} payload = {'currentPage': cpage, 'pageSize': 100, 'sortType': 'default', 'viewFlag': 'A'} req = requests.post(mmListUrl, headers=headers, data=payload) res = req.json() if 'data' in res.keys(): return res['data']['searchDOList'] else: return if __name__ == '__main__': totalPage = getTotalPage() with open(r'mmlist.csv', 'w+', newline='') as fs: count = 1 cpage = 1 csvwriter = csv.writer(fs, dialect='excel') page1 = getMMList(cpage) csvwriter.writerow(page1[0].keys()) print('正在处理第%s页。。。' % cpage) for mm in page1: csvwriter.writerow(mm.values()) print(str(count)+' ', end='') count += 1 print() while cpage < totalPage: cpage += 1 print('正在处理第%s页。。。' % cpage) time.sleep(2) mmList = getMMList(cpage) if not mmList: break for mm in mmList: csvwriter.writerow(mm.values()) print(str(count)+' ', end='') count += 1 print('') print('所有数据处理完毕!')

导出的数据如下：

三、高级