python爬虫-动态爬取百度迁徙

#1.模拟浏览器发送请求

import requests
import json
import pandas as pd
city_name = []
province_name = []
value = []

url = 'https://huiyan.baidu.com/migration/cityrank.jsonp?dt=country&id=0&type=move_in&date=20200315&callback=jsonp_1590404076900_7186798'

rq = requests.get(url)
rq.status_code

html = rq.content.decode('utf-8')

#2.从html中提取信息
#字符串预处理
html1 = html[28:-1]
data = json.loads(html1)['data']['list']

for i in range(len(data)):
    city_name.append(data[i]['city_name'])   #赋值给一个列表
    province_name.append(data[i]['province_name'])
    value.append(data[i]['value'])
#3.数据的本地存储
move_in_data = pd.DataFrame({
    '迁入城市':city_name,
    '迁入省份':province_name,
    '比例':value
    })
move_in_data.to_excel('./move_in_data.xlsx')

一、分析网站

首先我们来分析网站，动态爬取与静态爬取有些不同，寻找的数据就不在前端上面找了，而是在加载的文件中寻找

打开网页F12，一般我们先看js文件，如果没有，看看XHR等其他文件。按size排序，从大到小，查找数据

点击Preview选项，一个个查找，可以看到这里与前端显示的数据是一样的，接下来我们就要爬取这个数据

二、爬取数据

1、模拟浏览器发送数据

import requests

url = 'https://huiyan.baidu.com/migration/cityrank.jsonp?dt=country&id=0&type=move_in&date=20200315&callback=jsonp_1590404076900_7186798'

rq = requests.get(url)
rq.status_code

html = rq.content.decode('utf-8')

当我们查看rq.status_code状态码时，返回为200，则说明没有设置反爬机制，不用设置header，若设置了反爬机制，状态码为418，就要像上一篇一样，设置header

此刻查看html，已经爬取下来了

2、提取html中数据

html1 = html[28:-1]
data = json.loads(html1)['data']['list']

for i in range(len(data)):
    city_name.append(data[i]['city_name'])   #赋值给一个列表，.append表示追加
    province_name.append(data[i]['province_name'])
    value.append(data[i]['value'])

我们想要的是data里面的数据，那么首先就要截取字典，{}里面的东西

有一个 方法是直接截取

html1 = html[28:-2]

28是第28位，-2是倒数二位，意思就是只要从48位到-2位之间的内容

输出html1为（注意{}的首位闭合）

 然后进行解析

data = json.loads(html1)

json.load(filename)
json.loads(string)
一个从文件加载，一个从内存加载

我们想要的是data里面的内容，可以直接

data = json.loads(html1)['data']

读取字典中第一个列表的字段

data['list'][0]['city_name']

3、将数据保存在本地

move_in_data = pd.DataFrame({
    '迁入城市':city_name,
    '迁入省份':province_name,
    '比例':value
    })
move_in_data.to_excel('./move_in_data.xlsx')