Scrapy爬取Ajax（异步加载）网页实例——简书付费连载

这两天学习了Scrapy爬虫框架的基本使用，练习的例子爬取的都是传统的直接加载完网页的内容，就想试试爬取用Ajax技术加载的网页。

这里以简书里的优选连载网页为例分享一下我的爬取过程。

网址为：

https://www.jianshu.com/mobile/books?category_id=284

一、分析网页

---

进入之后，鼠标下拉发现内容会不断更新，网址信息也没有发生变化，于是就可以判断这个网页使用了异步加载技术。

f

首先明确爬取的内容，本次我爬取的是作品名称、照片、作者、阅读量。然后将照片下载存储在文件夹中，然后将全部内容生成csv文件夹保存。

查看网页源代码发现代码里只有已加载的作品的内容，编写爬虫代码发现爬取不到收录的信息。

进入Network选项，勾选XHR选项，通过下滑网页发现Network选项卡会加载文件，如下图：

注：这里我用的是火狐浏览器

点击其中一个加载文件，可以在消息头看到请求网址：

继续下滑，发现Headers部分请求的URL只是page后面的数字在改变，通过改变数字，我们就能在后面调用回调函数爬取多个网页了。

二、Scrapy爬取

---

1.在命令提示符输入：

cd Desktop  #进入桌面
scrapy startproject jian   #生成名为jian的Scrapy文件夹

cd jian
scrapy genspider lianzai jianshu.com   #爬虫名为lianzai

这里我用的是pycharm，打开文件夹。

2.在items.py定义爬虫字段

 class JianItem(scrapy.Item):
     # define the fields for your item here like:
     # name = scrapy.Field()
     book_name=scrapy.Field()
     img=scrapy.Field()
     author=scrapy.Field()
     readers=scrapy.Field()
     pass

3.在lianzai.py编写爬虫代码，爬取数据

 # -*- coding: utf-8 -*-
 import scrapy
 from jian.items import JianItem
 import json
 import requests

 class LianzaiSpider(scrapy.Spider):
     name = 'lianzai'
     allowed_domains = ['jianshu.com']
     start_urls = ['https://www.jianshu.com/asimov/books?page=1&count=12&category_id=284']      #第一页的url
     def parse(self, response):
         data=json.loads(response.body)　　#str转为json对象
         try:
             for i in range(0, 12):
                 item = JianItem()
                 img=data['books'][i]['image_url']
                 book_name=data['books'][i]['name']
                 author=data['books'][i]['user']['nickname']
                 readers=data['books'][i]['views_count']

                 item['img']=img
                 item['book_name']=book_name
                 item['author']=author
                 item['readers']=readers
                 yield item　　#返回数据
         except IndexError:
             pass
         urls=['https://www.jianshu.com/asimov/books?page={}&count=12&category_id=284'.format(str(i))for i in range(2, 11)]  #
         for url in urls:
             yield scrapy.Request(url,callback=self.parse)　　#回调函数

这里特别要注意的是要爬取内容的所在位置。

                

上图中左图可以看出爬取的内容的位置在response里的['books']里面，且一个网页有12个作品，因此上面循环出为（0,12）。

打开后如上右图，可以看到我们要爬取的作品名、图片地址、作者、阅读量都在里面，爬取就相对容易了。

4.在setting.py设置爬虫配置

 USER_AGENT='Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.96 Safari/537.36'　　#请求头
 DOWNLOAD_DELAY=0.5　　#延时0.5
 FEED_URI='file:C:/Users/lenovo/Desktop/jianshulianzai.csv'　　#在桌面生成CSV文件　
 FEED_FORMAT='csv'　　#存入
 ITEM_PIPELINES={'jian.pipelines.JianPipeline':300}

5.在pipelines.py处理照片数据

 # -*- coding: utf-8 -*-

 # Define your item pipelines here
 #
 # Don't forget to add your pipeline to the ITEM_PIPELINES setting
 # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
 import os
 import urllib.request

 class JianPipeline(object):
     def process_item(self, item, spider):
         headers = {
             'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.96 Safari/537.36'
         }
         try:
             if item['img'] != None:
                 req=urllib.request.Request(url=item['img'],headers=headers)
                 res=urllib.request.urlopen(req)
                 file_name = os.path.join(r'C:\Users\lenovo\Desktop\my_pic', item['book_name'] + '.jpg')
                 with open(file_name,'wb')as f:
                     f.write(res.read())
         except urllib.request.URLError:
             pass
         return item

6.全部保存后，在命令行终端输入：

scrapy crawl lianzai

就将结果爬取下来并保存啦。

三、结果

---

.csv文件的内容：

下载的照片：

---

初入爬虫，还有很多不足需要改正，还有很多知识需要学习，希望有疑问或建议的朋友多多指正或留言。谢谢。