(9)分布式下的爬虫Scrapy应该如何做-关于ajax抓取的处理(一)

转载请注明出处：http://www.cnblogs.com/codefish/p/4993809.html

  

最近在群里频繁的被问到ajax和js的处理问题，我们都知道，现在很多的页面都是用动态加载的技术，这一方面带来了良好的页面体验，另一方面，在抓取时或者或少的带来了相当大的麻烦，因为我们知道直接get主页页面url，这些内容是没有办法显示的。那怎么处理这些内容呢？

上图是一个直观的分析，在抓取数据时，我们一般优先考虑到手机端的网站，因为手机端的网站得到数据相对容易，特别是wap协议的网站，其分页方式大多不是ajax分页或者瀑布流的形式，所以抓取相对容易的多。另外在分析到请求头之后，我们可以很方便得到ajax请求地址，这个时候直观的去call这个地址，看能否正常的得到的数据。换了浏览器然后在call一次，看数据能否正常，如果正常，那个url可能就是public的，那在保障一定的频率访问之后就可以很容易的拿到数据。下面我用一个例子来说明分析请求的。

一，打开目标网站，查看加载方式：

https://www.abdserotec.com/primary-antibodies-monoclonal-polyclonal.html#productType=Monoclonal%20Antibody

二，分析网站

当我打开网站的时候，可以很明显的发现数据是通过下拉列表，到底端之后解发ajax事件来请求数据的，那我们实际的去他在请求的时候都发生了哪些事情

我们得到请求地址了：

https://api.uk-plc.net/product_tables/v1/abd?filter={%22productType%22:{%22$in%22:[%22Monoclonal%20Antibody%22]}}&skip=360&limit=40&sort=[[%22specificitySummary%22,1],[%22host%22,1],[%22uniqueName%22,1],[%22format%22,1]]

那我直接在浏览器打开看看：

很显然的看到了熟悉的json格式的字符串

别急，这里我们需要更换浏览器打开刚刚的api接口，为什么要这样做？因为我们现在打开的时候都会带上了一定的请求参数，我们更换浏览器就是清掉这些参数，然后再来访问，如果还是得到数据，这样说明这个api接口本身就是public的，而且管理员对这个接口没有做filter 。

三，进一步分析参数

OK,这直接说明了可以直接访问这个接口，那如何分页呢？

我们来看URL里面都有哪些参数：

https://api.uk-plc.net/product_tables/v1/abd?filter={%22productType%22:{%22$in%22:[%22Monoclonal%20Antibody%22]}}&skip=360&limit=40&sort=[[%22specificitySummary%22,1],[%22host%22,1],[%22uniqueName%22,1],[%22format%22,1]]

skip=360

limit=40

这和C# linq的分页的方式何其的相似， 那我可以这样大胆假设一下：

limit 就是pagecount,每页的数量

skip就是略过第几页的数据

pageindex 第几页

那相应的取得几页的数据就是：

skip =(pageindex-1)*pagecount

limit = 40 

验证一下，数据还是得到

四，写代码

这里面我用python 写了一个简单的脚本:

__author__ = 'Bruce'
import requests

page_count = 20
page_index = 1
url_template = 'https://api.uk-plc.net/product_tables/v1/abd?filter={%22productType%22:{%22$in%22:[%22Monoclonal%20Antibody%22,%22Polyclonal%20Antibody%22]}}&skip={page_index}&limit={page_count}&sort=[[%22specificitySummary%22,1],[%22host%22,1],[%22uniqueName%22,1],[%22format%22,1]]'


def get_json_from_url(url):
    r = requests.get(url)
    return r.json()['results']


def init_url_by_parms(page_count=40, page_index=1):
    if not page_count or not page_index:
        return ''
    return url_template.replace('{page_index}', str((page_index - 1) * page_count)).replace('{page_count}',
                                                                                            str(page_count))


if __name__ == '__main__':
    url = init_url_by_parms(page_count=page_count, page_index=page_index)
    print url
    objs = get_json_from_url(url)
    if objs:
        for obj in objs:
            print '####################################'
            for k, v in obj.items():
                print k, ':', v

另外，朋友说如何得到总页数呢？我们假定以现有的40页的数据量，假定总页数为100，如果第100页有数据，那访问第200页，如果没有得到数据，那访问第(100+200)/2页数据，依此类推，差不多log2N次就可以得到总页数，这里就用二分法就可以得到。

总结：

本次文章主要分析ajax可以直接调用和分析请求的过程，在我看来，码代码通过思考来分析问题，比硬写代码死磕来的强的多，下次我将分析一下直接call ajax接口没办法解决的情况.

 转载请注意出处：http://www.cnblogs.com/codefish/p/4993809.html