第四章爬虫动态加载数据思维导图

弓长-张

2024-05-07

浏览量: 0

动态加载

爬虫数据

分析请求

动态加载数据数据库，请求页面等内容讲解

树图思维导图提供《第四章爬虫动态加载数据》在线思维导图免费制作，点击“编辑”按钮，可对《第四章爬虫动态加载数据》进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：6e54d0bf80b2448bbde4a782132fddfa

思维导图大纲

动态加数据概述

有时用户在使用 urlib 库或 requests 库爬取网页时，爬取到的结果可能和在浏览器中看到的不一样,在浏览器中正常显示的页面数据,在爬取到的结果中却没有。这是因为 urllib库或 requests 库发送请求返回的是网页源代码 (网页源代码中不包含由 JavaScript 动态加载的数据)，而浏览器中的页面是经过 JavaScprit 动态加载的。下面以京东搜索“Python’ 网页为例来说明什么是动态加载数据。

逆向分析请求页面

分析页面

JavaScript动态加载数据一般使用Ajax 技术 (Ajax 指异步JavaScript和XML，是一种创建交互式、快速动态网页应用的网页开发技术)，它通过在后台与服务器进行数据交换，实现网页的异步更新。在确认想要获取的网页数据是通过 Ajax 动态加载的，这时，可通过分析Ajax 请求获取真实的URL，然后使用 urllib 库或requests 库构造并发送同样的请求即可。

Selenium模拟浏览器

Selenium简介

实际动态网页中，很多Ajax 请求的参数是加密的，用户很难通过分析 Ajax 请求获取真实的URL，还有一些动态加载数据并不是 Ajax 生成的，此时，可以使用 Selenium 模拟浏览器的方法来获取网页动态加载和渲染的数据。 Selenium 是一个自动化测试工具，利用它可以驱动浏览器执行特定的动作(如单击输入等操作)。同时还可以获取浏览器当前呈现的页面内容，做到可见即可爬。Python 提供了 selenium 库来实现 Selenium 的操作，selenium 库不是 Python 内置的标准库，使用之前需要安装。

Selenium库的使用

selenium 库支持多种浏览器。例如，Google Chrome、Firefox、Edge 等网页浏览器,Android、BlackBerry 等手机端的浏览器以及 PhantomJS 无界面浏览器等。

存储数据至数据库

爬取到的数据不仅可以存储至文件，也可以存储至数据库。下面介绍两种常见的数据库，MySQL 和 MongoDB。MySOL 是关系型数据库，它将数据保存在不同的二维表中，表中每一列是一个字段，每一行是一条记录;MongoDB 是非关系型文档数据库，其数据存储形式类似JSON 对象，它的字段可以包含其他文档、数组及文档数组，形式非常灵活

MySQL数据库

pymysql 库提供 connect0方法连接数据库，其方法原型如下:connect(host，port，user, password,db,charset,connect timeout,use unicode) (1)host: 数据库地址，本机地址通常为 127.0.0.1，也可设置为 localhost，默认为None。 (2) port: 数据库端口，通常为 3306，默认为0。 (3)user:数据库用户名，管理员用户为 root，默认为 None。 (4)password:表示数据库密码，默认为 None。 (5)db:表示数据库库名，无默认值。 (6)charset: 表示插入数据库时的编码，默认为 None。 (7)connect timeout: 表示连接超时时间，以秒为单位，默认为 10。(8)use unicode:表示结果以unicode 字符串的格式返回，默认为 None。

MongoDB数据库

pymongo 库使用MongoClient 类连接数据库，须指定连接的数据库地址(如localhost)和端口(默认为 27017)，返回 MongoClient 对象。使用 MongoClient 对象选择数据库，语法格式为“对象.数据库名”(也可写为“对象[“数据库名]”)，如果数据库不存在则新建一个数据库，返回 Database 对象。使用 Database 对象选择集合，语法格式为“对象集合名”(也可写为“对象[“集合名’]”)，如果集合不存在则新建一个集合，返回 Collection 对象。