Python爬虫 | 反爬机制：懒加载（动态加载数据的爬取）

示例网站：豆瓣电影

示例网站展示:

按照之前爬取网页的操作保存网页

import requests
url = 'https://movie.douban.com/explore'
headers = {
     #封装请求头
    'User-Agent':'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'
}
response = requests.get(url=url,headers=headers)
page_text = response.text
with open('douban.html','w',encoding='utf-8') as f:
    f.write(page_text)

爬取出来的页面：

右键页面检查，随便找一部电影名搜索，发现页面请求是使用 Ajax 异步请求获取电影数据。

找到该条请求的 Headers 发现请求携带的参数，多次测试之后发现对应关系。

import requests
url = 'https://movie.douban.com/j/search_subjects'
headers = {
     #封装请求头
    'User-Agent':'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'
}
params = {
     
    'type': 'movie',
    'tag': '热门',
    'sort': 'recommend',
    'page_limit': '20',
    'page_start': '0',
}
response = requests.get(url=url,params=params,headers=headers)
print(response.json())

数据太多，仅展示部分。

通过以上办法就能获取到电影数据

数据整理，提取电影名和电影评分

import requests
url = 'https://movie.douban.com/j/search_subjects'
headers = {
     #封装请求头
    'User-Agent':'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'
}
params = {
     
    'type': 'movie',
    'tag': '热门',
    'sort': 'recommend',
    'page_limit': '20',
    'page_start': '0',
}
response = requests.get(url=url,params=params,headers=headers)
json_data = response.json() #json（）可以将字符串序列化成对象
print('电影名','|','评分')
print('-|-')
for dic in json_data['subjects']:
    name = dic['title']
    rate = dic['rate']
    print(name,'|',rate)

电影名	评分
数码宝贝：最后的进化	7.5
八佰	7.6
恶棍之城	6.5
碧蓝之海	7.2
世纪大劫案	7.0
无声	7.2
芝加哥七君子审判	8.6
女巫	5.8
金都	7.6
爱与怪物	7.2
波拉特2	7.3
担保	7.8
母亲	6.2
奇奇怪怪：整容液	6.1
85年盛夏	6.8
飞奔去月球	6.5
云上情歌	7.7
之后2	5.6
误杀	7.7
蝴蝶梦	5.6

当然这样还是不够完美，得可以选择爬取不同的类型电影，按照不同的排列顺序展示，且可以选择需要的数据量。

爬取前指定分类及数量

import requests


def choose(menu, tips):
    i = 0
    for m in menu:
        print(i, ':', m)
        i += 1
    return input(tips + ":")


tag_menu = ['喜剧', '最新', '经典', '可播放', '豆瓣高分', '冷门佳片', '华语', '欧美', '韩国', '日本', '动作', '喜剧', '爱情', '科幻', '悬疑', '恐怖', '成长']
url = 'https://movie.douban.com/j/search_subjects'
headers = {
       # 封装请求头
    'User-Agent': 'User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                  'Chrome/83.0.4103.116 Safari/537.36 '
}

params = {
     
    'type': 'movie',
    'tag': tag_menu[int(choose(tag_menu, '请输入您要爬取的类型编号'))],
    'sort': 'recommend',
    'page_limit': input('请输入您要爬取的条数'),
    'page_start': '0',
}
response = requests.get(url=url, params=params, headers=headers)
json_data = response.json()  # json（）可以将字符串序列化成对象
print('电影名', '|', '评分')
print('-|-')
for dic in json_data['subjects']:
    name = dic['title']
    rate = dic['rate']
    print(name, '|', rate)