Python 爬蟲爬取多頁數據

現在有一個需求，爬取http://www.chinaooc.cn/front/show_index.htm中所有的課程數據。

 

 

 

但是，按照常規的爬取方法是不可行的，因為數據是分頁的：

 

 最關鍵的是，不管是第幾頁，瀏覽器地址欄都是不變的，所以每次爬蟲只能爬取第一頁數據。為了獲取新數據的信息，點擊F12，查看頁面源代碼，可以發現數據是使用JS動態加載的，而且沒有地址，只有一個skipToPage(..)函數。

所以，解決方案是：

1. 獲得請求信息，包括header和 form data(表單信息)
2. 模擬請求，獲得數據
3. 分析數據，獲得結果

以下為實施步驟：

1.獲取請求信息，如下圖所示，控制台選擇Network->XHR，此時，點擊頁面跳轉按鈕，控制台會出現發出的請求，然后選擇發出請求的文件（第三步），然后選擇Headers，下方顯示的就是請求頭文件信息。

 

 

2，使用Python 模擬請求，在Headers下找到 Request Headers 部分，這是請求的頭數據。

 

 然后找到Form Data

 

 復制以上內容，形成如下代碼

headers = {
    'Accept': 'text/html, */*; q=0.01',
    'Accept-Encoding': 'gzip, deflate',
    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,ko;q=0.7',
    
    'Connection': 'keep-alive',
    'Content-Length': '61',
    'Cookie': 'route=bd118df546101f9fcee5c1a58356a008; JSESSIONID=047BD79E9754BAED525EFE860760393E',
    'Host': 'www.chinaooc.cn',
    'Origin': 'http://www.chinaooc.cn',
    'Pragma': 'no-cache',
    'Referer': 'http://www.chinaooc.cn/front/show_index.htm',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',
    
    'X-Requested-With': 'XMLHttpRequest',
    'Content-type': 'application/x-www-form-urlencoded; charset=UTF-8'
    }

    
form_data = {
    'pager.pageNumber':'2',
    'pager.pageSize': '50',
    'pager.keyword': '',
    'mode': 'page'
    }

模擬發送請求，每次改變form_data中的頁碼就能獲得不同的數據，代碼如下：

form_data['pager.pageNumber']=times
url = 'http://www.chinaooc.cn/front/show_index.htm'
response = requests.post(url, data=form_data, headers=headers)

3，分析response中返回的信息即可獲得數據。

 

完整代碼如下：

#!/usr/bin/env python

# -*- coding: utf-8 -*-
import requests
import re
from bs4 import BeautifulSoup

class item:
    def __init__(self):
        self.num=0
        self.school=''
        self.clazz=''
        self.url=''
        

headers = {
    'Accept': 'text/html, */*; q=0.01',
    'Accept-Encoding': 'gzip, deflate',
    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8,ko;q=0.7',
    
    'Connection': 'keep-alive',
    'Content-Length': '61',
    'Cookie': 'route=bd118df546101f9fcee5c1a58356a008; JSESSIONID=047BD79E9754BAED525EFE860760393E',
    'Host': 'www.chinaooc.cn',
    'Origin': 'http://www.chinaooc.cn',
    'Pragma': 'no-cache',
    'Referer': 'http://www.chinaooc.cn/front/show_index.htm',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36',
    
    'X-Requested-With': 'XMLHttpRequest',
    'Content-type': 'application/x-www-form-urlencoded; charset=UTF-8'
    }

    
form_data = {
    'pager.pageNumber':'2',
    'pager.pageSize': '50',
    'pager.keyword': '',
    'mode': 'page'
    }
times =20
while times < 34:
    
    form_data['pager.pageNumber']=times
    url = 'http://www.chinaooc.cn/front/show_index.htm'
    response = requests.post(url, data=form_data, headers=headers)


    soup = BeautifulSoup(response.content, "html.parser")

    tr_list = soup.find_all('tr')
    my_tr_list = tr_list[1:-1]

    for tr in my_tr_list:
        td_list = tr.find_all('td')
        
        a = item()
        a.num = td_list[0].contents[0]
        a.school = td_list[1].contents[0]
        a.clazz = td_list[2].contents[0].replace('\"',' ')
        a.url = td_list[5].find_all('a')[0]["href"]
        #name = 
        with open('E:/data/'+'['+a.num+']['+a.school+']['+a.clazz+'].html','wb') as f:
            res = requests.get(a.url)
            res.encoding = res.apparent_encoding
            f.write(res.content)
    times= times+1