Python爬虫实战入门五：获取JS动态内容—爬取今日头条

之前我们爬取的网页，多是HTML静态生成的内容，直接从HTML源码中就能找到看到的数据和内容，然而并不是所有的网页都是这样的。

有一些网站的内容由前端的JS动态生成，由于呈现在网页上的内容是由JS生成而来，我们能够在浏览器上看得到，但是在HTML源码中却发现不了。比如今日头条：

浏览器呈现的网页是这样的：

查看源码，却是这样的：

网页的新闻在HTML源码中一条都找不到，全是由JS动态生成加载。

遇到这种情况，我们应该如何对网页进行爬取呢？有两种方法：

1、从网页响应中找到JS脚本返回的JSON数据；2、使用Selenium对网页进行模拟访问

在此只对第一种方法作介绍，关于Selenium的使用，后面有专门的一篇。

一、从网页响应中找到JS脚本返回的JSON数据

即使网页内容是由JS动态生成加载的，JS也需要对某个接口进行调用，并根据接口返回的JSON数据再进行加载和渲染。

所以我们可以找到JS调用的数据接口，从数据接口中找到网页中最后呈现的数据。

就以今日头条为例来演示：

1、从找到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，发现有很多响应，我们筛选一下，只看XHR响应。

（XHR是Ajax中的概念，表示XMLHTTPrequest）

然后我们发现少了很多链接，随便点开一个看看：

我们选择city，预览中有一串json数据：

我们再点开看看：

原来全都是城市的列表，应该是加载地区新闻之用的。

现在大概了解了怎么找JS请求的接口的吧？但是刚刚我们并没有发现想要的新闻，再找找看：

有一个focus，我们点开看看：

与首页的图片新闻呈现的数据是一样的，那么数据应该就在这里面了。

看看其他的链接：

这应该是热搜关键词

这个就是图片新闻下面的新闻了。

我们打开一个接口链接看看:

返回一串乱码，但从响应中查看的是正常的编码数据：

有了对应的数据接口，我们就可以仿照之前的方法对数据接口进行请求和获取响应了

2、请求和解析数据接口数据

先上完整代码：

# coding：utf-8

import requests

import json

url = 'http://www.toutiao.com/api/pc/focus/'

wbdata = requests.get(url).text

data = json.loads(wbdata)

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

for n in news:

title = n['title']

img_url = n['image_url']

url = n['media_url']

print(url,title,img_url)

返回出来的结果如下：

照例，稍微讲解一下代码：

代码分为四部分，

第一部分：引入相关的库

# coding：utf-8

import requests

import json

第二部分：对数据接口进行http请求

url = 'http://www.toutiao.com/api/pc/focus/'

wbdata = requests.get(url).text

第三部分：对HTTP响应的数据JSON化，并索引到新闻数据的位置

data = json.loads(wbdata)

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

第四部分：对索引出来的JSON数据进行遍历和提取

for n in news:

title = n['title']

img_url = n['image_url']

url = n['media_url']

print(url,title,img_url)

如此，就完成了从JS网页中爬取数据。

之前我们爬取的网页，多是HTML静态生成的内容，直接从HTML源码中就能找到看到的数据和内容，然而并不是所有的网页都是这样的。

有一些网站的内容由前端的JS动态生成，由于呈现在网页上的内容是由JS生成而来，我们能够在浏览器上看得到，但是在HTML源码中却发现不了。比如今日头条：

浏览器呈现的网页是这样的：

查看源码，却是这样的：

网页的新闻在HTML源码中一条都找不到，全是由JS动态生成加载。

遇到这种情况，我们应该如何对网页进行爬取呢？有两种方法：

1、从网页响应中找到JS脚本返回的JSON数据；2、使用Selenium对网页进行模拟访问

在此只对第一种方法作介绍，关于Selenium的使用，后面有专门的一篇。

一、从网页响应中找到JS脚本返回的JSON数据

即使网页内容是由JS动态生成加载的，JS也需要对某个接口进行调用，并根据接口返回的JSON数据再进行加载和渲染。

所以我们可以找到JS调用的数据接口，从数据接口中找到网页中最后呈现的数据。

就以今日头条为例来演示：

1、从找到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，发现有很多响应，我们筛选一下，只看XHR响应。

（XHR是Ajax中的概念，表示XMLHTTPrequest）

然后我们发现少了很多链接，随便点开一个看看：

我们选择city，预览中有一串json数据：

我们再点开看看：

原来全都是城市的列表，应该是加载地区新闻之用的。

现在大概了解了怎么找JS请求的接口的吧？但是刚刚我们并没有发现想要的新闻，再找找看：

有一个focus，我们点开看看：

与首页的图片新闻呈现的数据是一样的，那么数据应该就在这里面了。

看看其他的链接：

这应该是热搜关键词

这个就是图片新闻下面的新闻了。

我们打开一个接口链接看看:

返回一串乱码，但从响应中查看的是正常的编码数据：

有了对应的数据接口，我们就可以仿照之前的方法对数据接口进行请求和获取响应了

2、请求和解析数据接口数据

先上完整代码：

# coding：utf-8

import requests

import json

url = 'http://www.toutiao.com/api/pc/focus/'

wbdata = requests.get(url).text

data = json.loads(wbdata)

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

for n in news:

title = n['title']

img_url = n['image_url']

url = n['media_url']

print(url,title,img_url)

返回出来的结果如下：

照例，稍微讲解一下代码：

代码分为四部分，

第一部分：引入相关的库

# coding：utf-8

import requests

import json

第二部分：对数据接口进行http请求

url = 'http://www.toutiao.com/api/pc/focus/'

wbdata = requests.get(url).text

第三部分：对HTTP响应的数据JSON化，并索引到新闻数据的位置

data = json.loads(wbdata)

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

第四部分：对索引出来的JSON数据进行遍历和提取

for n in news:

title = n['title']

img_url = n['image_url']

url = n['media_url']

print(url,title,img_url)

如此，就完成了从JS网页中爬取数据。

著作权归作者所有：来自51CTO博客作者菜鸟学Python的原创作品，如需转载，请注明出处，否则将追究法律责任