2种方法简单爬取JS加载的动态数据

方法一:

  

   

    

     

    
    

     

      #coding=utf-8
     
    
   

    

     

    
    

     

      from bs4 import BeautifulSoup 
     
    
   

    

     

    
    

     

      from selenium import webdriver
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      urls = ('http://gkcx.eol.cn/soudaxue/queryProvince.html?page={}'.format(i) for i in range(1,166))
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      driver=webdriver.Firefox()
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      driver.maximize_window()
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      for url in urls:
     
    
   

    

     

    
    

     
 #print ("正在访问{}".format(url))
     
    
   

    

     

    
    

     

       driver.get(url)
     
    
   

    

     

    
    

     

       data = driver.page_source
     
    
   

    

     

    
    

     

       soup = BeautifulSoup(data, 'lxml')
     
    
   

    

     

    
    

     

       grades = soup.find_all('tr')
     
    
   

    

     

    
    

     
 for grade in grades:
     
    
   

    

     

    
    

     
 if '<td>' in str(grade):
     
    
   

    

     

    
    

     

       print(grade.get_text())
     
    
  
 

代码说明:

 from bs4 import BeautifulSoup   使用BeautifulSoup  解析网页数据

from selenium import webdriver 使用selenium爬取动态数据

urls = ('http://gkcx.eol.cn/soudaxue/queryProvince.html?page={}'.format(i) for i in range(1,166))   一个包含所有需要爬取的网站生成器

driver=webdriver.Firefox()  打开Firefox浏览器

driver.maximize_window()  窗口最大化

driver.get(url)  浏览器自动跳转到该url链接

data = driver.page_source   获取页面元素，里面就包含了需要爬取的数据

soup = BeautifulSoup(data, 'lxml')
    grades = soup.find_all('tr')
    for grade in grades:
        if '<td>' in str(grade):
            print(grade.get_text())

通过对数据的分析，写出上面的查找方法，即可获取所有数据。

通过这种方法获取数据，简单，也比较直观，缺点是太慢了。

现在通过方法二是获取数据。

用火狐浏览器打开需要爬取的网页，右键  查看元素，选择网络，默认就好。

(有些老版本的火狐浏览器可能需要安装firebug插件)

点击第二页，看看都加载了哪些网页和数据。

分析如下图:

分析得知类型为json的那一栏即是我们需要的数据

查看消息头里面的请求网站

https://data-gkcx.eol.cn/soudaxue/queryProvince.html?messtype=jsonp&callback=jQuery183005011523805365803_1512185796058&luqutype3=&province3=&year3=&luqupici3=&page=2&size=10&_=1512185798203

真正的请求网站 https://data-gkcx.eol.cn/soudaxue/queryProvince.html

参数 messtype=jsonp&callback=jQuery183005011523805365803_1512185796058&luqutype3=&province3=&year3=&luqupici3=&page=2&size=10&_=1512185798203

也可以点击右侧的参数栏参看参数

page 表示当前页数

size表示每页显示的条目数

写出代码

  

   

    

     

    
    

     

      #coding=utf-8
     
    
   

    

     

    
    

     

      import requests
     
    
   

    

     

    
    

     

      import json
     
    
   

    

     

    
    

     

      from prettytable import PrettyTable  
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      if __name__=='__main__':
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

       url = 'https://data-gkcx.eol.cn/soudaxue/queryProvince.html'
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

       row = PrettyTable()
     
    
   

    

     

    
    

     

       row.field_names = ["地区", "年份", "考生类别", "批次","分数线"]
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 for i in range(1,34):
     
    
   

    

     

    
    

     

       data ={"messtype":"json",
     
    
   

    

     

    
    

     
 "page":i,
     
    
   

    

     

    
    

     
 "size":50,
     
    
   

    

     

    
    

     
 "callback":
     
    
   

    

     

    
    

     
 "jQuery1830426658582613074_1469201131959",
     
    
   

    

     

    
    

     
 "_":"1469201133189",
     
    
   

    

     

    
    

     

       }
     
    
   

    

     

    
    

     

       school_datas  = requests.post(url,data = data).json()
     
    
   

    

     

    
    

     

       datas = school_datas["school"]
     
    
   

    

     

    
    

     
 for data in datas:
     
    
   

    

     

    
    

     

       row.add_row((data["province"] ,data["year"],data["bath"],data["type"], data["score"]))
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

       print(row)
     
    
  
 

代码说明

for i in range(1,34): 

一共是 1644条，每页显示的最大条数是50条，1600/50 = 32，还有44条就是33页，所以范围就应该是(1,34)

        data ={"messtype":"json",
              "page":i,
              "size":50,
              "callback":
              "jQuery1830426658582613074_1469201131959",
              "_":"1469201133189",
              }

分析得出的提交数据，使用post方式。

文章来源: blog.csdn.net，作者：悦来客栈的老板，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/qq523176585/article/details/78693900