爬虫练习

数据的加载方式

1.常见的加载方式

朝服务器发请求 页面数据直接全部返回并加载

"""
如何验证数据是直接加载还是其他方式
    浏览器空白处鼠标右键 点击查看网页源码 在源码界面搜索对应的数据
        如果能收到就表示改数据是直接加载的（你可以直接发送相应请求获取）

2.内部js代码请求

先加载一个页面的框架 之后再朝各项数据的网址发送请求获取数据

如何查找关键性的数据来源 需要借助于浏览器的network检测核对内部请求
        请求的数据一般都是json格式

爬取天气数据

1.拿到页面之后先分析数据加载方式

2.发现历史数据并不是直接加载的

　　统一的研究方向>>>:利用network查看

3.查找到可疑的网址并查看请求方式

 

如果是get请求那么可以直接拷贝网址在浏览器地址栏访问

 

4.将请求获得的数据分析

　　　　https://www.bejson.com/

点击unicode转中文

5.利用requests模块朝发现的地址发送get请求获取的json数据

6.可以研究历史天气数据的url找规律 即可爬取指定月份的数据

import requests
import pandas

res = requests.get(
    'https://tianqi.2345.com/Pc/GetHistory?areaInfo%5BareaId%5D=60010&areaInfo%5BareaType%5D=2&date%5Byear%5D=2021&date%5Bmonth%5D=9')

print(res.json()) # 反序列化成字典之后 比对一下数据在哪个键值对中

real_data_html = res.json().get('data')

 后期再学 目前了解

df1 = pandas.read_html(real_data_html)[0]
df1.to_excel(r'qianqi.xlsx')

爬取百度翻译

1.在查找单词的时候页面是在动态变化的

2.并且针对单词的详细翻译结果数据是动态请求获取的

3.打开network之后输入英文查看内部请求变化

　　sug请求频率固定且较高

4.研究sug请求发现每次输入的单词都会朝固定的一个网址发送post请求

　　并且请求体携带了改单词数据

import requests

keyword = input('请输入你需要查询的单词>>>:')
res = requests.post('https://fanyi.baidu.com/sug',
                    data={'kw': keyword}
                    )
data_dict = res.json()
data_list = data_dict.get('data')
for d in data_list:
    print(d)

 

 

爬取药品许可证

需求：爬取药品企业生产许可证详细信息

1.先明确是否需要爬取页面数据 如果需要则先查看数据的加载方式

2.通过network查看得知数据是动态加载的 网页地址只会加载一个外壳

3.通过network点击fetch/xhr筛选动态获取数据的地址和请求方式

4.利用requests模块发送相应请求获取数据 

5.利用浏览器点击详情页找到我们需要的数据

　　发送请求的URL：http://scxk.nmpa.gov.cn:81/xk/itownet/portal/dzpz.jsp?id=911d4f256300476abb78012427d38c9d

6.由于我们需要爬取详情页的数据所以要验证数据的加载方式

7.详情页核心数据也是动态加载的 发现是post请求并携带了一个id参数

　　　id:911d4f256300476abb78012427d38c9d

8.通过比对得知id数据与第一次爬取的公司简介里面的id是一样的 从而得出结论

　　循环获取格式简介id 然后发送post请求 获取每个公司的详细数据

import requests
res = requests.post('http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsList', data={
    'on': 'true',
    'page': 1,
    'pageSize': 15,
    'productName': '',
    'conditionType': 1,
    'applyname': '',
    'applysn': ''})
# data_dict = res.json()
# data_list = data_dict.get('list')
# 上述两步合成一步
data_list = res.json().get('list')

# 循环获取格式id值
for d in data_list:
    # 字段取值 获取id值
    ID = d.get("ID")
    # 发送网络请求
    res1 = requests.post('http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsById',
                         data={'id':ID}
                         )
    # 获取数据结果
    data_dict = res1.json()
    '''结合实际需求 保存相应的数据  文件操作 数据库'''

深入研究
1.多页数据如何获取(思路非常重要)
1.先点击页码查看url的变化
如果数据变化url不变 那么数据肯定是动态加载的
如果数据变化url也变 那么数据可能是直接加载也可能是动态
2.针对上述案例 数据是动态加载 所以需要研究每一次点击页码内部请求
3.研究请求体参数得知数据页由page控制
4.写一个for循环即可