Ajax數據的爬取（淘女郎爲例）

mmtao

Ajax數據的爬取（淘女郎爲例）
若有疑問，轉到 Wiki

淘女郎模特抓取教程

網址：https://0x9.me/xrh6z

判斷一個頁面是否是 Ajax 加載的方法：

查看網頁源代碼，查找網頁中加載的數據信息，若是源代碼中不顯示，證實是 Ajax 加載。
若是是網站源代碼中就包含要爬取的信息，那麼就直接只用正則拿數據出來就好了
可是若是網頁源碼中沒有，那麼就是 Ajax 了，能夠進行抓包找到獲取數據的相關接口，操做以下（以爬取淘女郎美女信息爲例）：

1、初級

1. 尋找 API 接口：獲取模特列表。

若是使用的是 Chrome 的話，能夠首先選中 XHR 來更快速的找出獲取數據的 API，若是在 XHR 裏面沒有再去 JS 裏面一個個的尋找。

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

通過嘗試，後面的參數都是能夠去掉的，訪問的時候默認 page 爲 1 ，因此若是要獲取到全部頁，須要使用 for 循環分別獲取每一頁的模特列表。

1. 而後打開一個模特的詳情頁面，使用紅框圈住的地方都是咱們要獲取到的數據

1. 打開開發者工具，而後進行和剛剛類似的抓包操做。首先選中 XHR 進行快速的找出獲取數的 API 接口，能夠很容易的找到這個地址：

2、中級

下面咱們抓取全部的妹子數據到文件中：

1. 不難找到獲取後臺數據的地址爲：https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8

1. 可是咱們發如今地址的 GET 參數中只有一個_input_charset=utf-8，並且默認獲取的是第一頁的妹子列表，正常狀況下咱們在 GET 參數中能夠看到page=1相似的項，但這裏沒有，那麼很顯然它沒有用GET就確定用了 POST ，結果一看發現確實是這樣子的。

1. 那麼，這就簡單了，使用 requests 庫 post 請求數據，將請求來的 json 數據保存成表格，這項工做就結束了。

下面貼出代碼：

a. myheaders.py ----這個文件裏保存了一些經常使用的 headers 頭信息

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Date: 2018-02-02 19:40:50
# @Author  : cnsimo (2020745751@qq.com)
# @Link: http://www.scriptboy.com
# @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: http://www.scriptboy.com
# @Version : 1.0

from myheaders import getUA
import requests
import re
import time
import csv

mmListUrl = 'https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'
mmUrl = ''

# 得到總共的頁數
def getTotalPage():
    headers = {'User-Agent': getUA()}
    req = requests.get(mmListUrl, headers=headers)
    res = req.json()
    return res['data']['totalPage']

# 獲取列表的函數
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('正在處理第%s頁。。。' % cpage)
        for mm in page1:
            csvwriter.writerow(mm.values())
            print(str(count)+' ', end='')
            count += 1
        print()
        while cpage < totalPage:
            cpage += 1
            print('正在處理第%s頁。。。' % 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('全部數據處理完畢!')

導出的數據以下：

3、高級

雖說數據已經出來了，可是對模特的描述仍是不夠具體，想要更具體的數據得經過他們的模特卡得到，例如：https://mm.taobao.com/self/model_info.htm?spm=719.7800510.a312r.22.bKq7m9&user_id=277949921

這裏的信息要更加全面一些，因此咱們從列表也只獲取模特 ID ，而後經過模特卡來拿到更加詳細的信息。

1. 首先分析模特卡頁面，仍是經過開發者工具，咱們很容易找到了獲取數據的 URL ：https://mm.taobao.com/self/info/model_info_show.htm?user_id=277949921
   
2. 此次響應的數據並非格式的，不過沒有關係，咱們還能夠使用正則表達式將信息匹配出來。
3. 這樣咱們僅僅比剛纔編寫的程序多了一個分析模特卡的步驟，很快就能寫出來這個代碼了。

部分數據截圖：

代碼詳見： mmtao_plus.py ，若有疑問，轉到 Wiki