2种方法简单爬取JS加载的动态数据
参考原文:http://www.cnblogs.com/buzhizhitong/p/5697683.html
需要爬取的网站数据: http://gkcx.eol.cn/soudaxue/queryProvince.html?page=1 一共是165页，将page=1 变成其他的数字即可访问。
获取所有的url: urls = ('http://gkcx.eol.cn/soudaxue/queryProvince.html?page={}'.format(i) for i in range(1,166))
用火狐浏览器打开需要爬取的网页，右键，查看页面源代码，CTRL + F 查找输入293，源代码里面并没有这个值，说明是动态加载的数据。
对于动态加载的数据目前我熟知的有两中办法，一是使用selenium，二是分析网页元素，找出该数据的原始网页，提交表单，获取不同的数据，用来达到爬取的目的。
方法一:
#coding=utf-8
from bs4 import BeautifulSoup
from selenium import webdriver
urls = ('http://gkcx.eol.cn/soudaxue/queryProvince.html?page={}'.format(i) for i in range(1,166))
driver=webdriver.Firefox()
driver.maximize_window()
for url in urls:
#print ("正在访问{}".format(url))
driver.get(url)
data = driver.page_source
soup = BeautifulSoup(data, 'lxml')
grades = soup.find_all('tr')
for grade in grades:
if '<td>' in str(grade):
print(grade.get_text())
代码说明:
from bs4 import BeautifulSoup 使用BeautifulSoup 解析网页数据
from selenium import webdriver 使用selenium爬取动态数据
urls = ('http://gkcx.eol.cn/soudaxue/queryProvince.html?page={}'.format(i) for i in range(1,166)) 一个包含所有需要爬取的网站生成器
driver=webdriver.Firefox() 打开Firefox浏览器
driver.maximize_window() 窗口最大化
driver.get(url) 浏览器自动跳转到该url链接
data = driver.page_source 获取页面元素，里面就包含了需要爬取的数据
soup = BeautifulSoup(data, 'lxml')
grades = soup.find_all('tr')
for grade in grades:
if '<td>' in str(grade):
print(grade.get_text())
通过对数据的分析，写出上面的查找方法，即可获取所有数据。
通过这种方法获取数据，简单，也比较直观，缺点是太慢了。
现在通过方法二是获取数据。
用火狐浏览器打开需要爬取的网页，右键 查看元素，选择网络，默认就好。
(有些老版本的火狐浏览器可能需要安装firebug插件)
点击第二页，看看都加载了哪些网页和数据。
分析如下图:
分析得知类型为json的那一栏即是我们需要的数据
查看消息头里面的请求网站
https://data-gkcx.eol.cn/soudaxue/queryProvince.html?messtype=jsonp&callback=jQuery183005011523805365803_1512185796058&luqutype3=&province3=&year3=&luqupici3=&page=2&size=10&_=1512185798203
真正的请求网站 https://data-gkcx.eol.cn/soudaxue/queryProvince.html
参数 messtype=jsonp&callback=jQuery183005011523805365803_1512185796058&luqutype3=&province3=&year3=&luqupici3=&page=2&size=10&_=1512185798203
也可以点击右侧的参数栏参看参数
page 表示当前页数
size表示每页显示的条目数
写出代码
#coding=utf-8
import requests
import json
from prettytable import PrettyTable
if __name__=='__main__':
url = 'https://data-gkcx.eol.cn/soudaxue/queryProvince.html'
row = PrettyTable()
row.field_names = ["地区", "年份", "考生类别", "批次","分数线"]
for i in range(1,34):
data ={"messtype":"json",
"page":i,
"size":50,
"callback":
"jQuery1830426658582613074_1469201131959",
"_":"1469201133189",
}
school_datas = requests.post(url,data = data).json()
datas = school_datas["school"]
for data in datas:
row.add_row((data["province"] ,data["year"],data["bath"],data["type"], data["score"]))
print(row)
代码说明
for i in range(1,34):
一共是 1644条，每页显示的最大条数是50条，1600/50 = 32，还有44条就是33页，所以范围就应该是(1,34)
data ={"messtype":"json",
"page":i,
"size":50,
"callback":
"jQuery1830426658582613074_1469201131959",
"_":"1469201133189",
}
分析得出的提交数据，使用post方式。
————————————————
版权声明：本文为CSDN博主「悦来客栈的老板」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq523176585/java/article/details/78693900
