第 3 章 Ajax 动态请求破解（3.1 Ajax 简介、网页翻页方式的对比）

• 通常情况下，如果要更新网页的内容，需要重新加载整个网页。而Ajax动态请求则能在不重新加载整个网页的情况下，与服务器交换数据并更新网页中的部分内容。因此，严格来说，Ajax动态请求并不是一种反爬手段，而是一种网页展示手段。不过它的确在一定程度上给数据的爬取造成了困难，所以本书也将其视为一种反爬手段。本章将介绍Ajax动态请求的基本原理与破解方法，并以开源中国博客频道和新浪微博为例进行实战演练。

3.1 Ajax 简介

• Ajax动态请求在本质上就是把常规的翻页操作做成了动态刷新的效果。最典型的例子就是开源中国博客频道和新浪微博等博客类网站，大家在浏览页面时会发现，用鼠标滚轮向下滚动页面的过程中会自动加载新的内容，但是地址栏中的网址没有发生变化，这就是用Ajax动态请求实现的。本节先来讲解Ajax动态请求的基础知识。

3.1.1 不同的网页翻页方式的对比

• 首先来对比3中不同的网页翻页方式，这对理解Ajax动态请求的基本原理与破解方法有较大的帮助。

1.网页中有翻页参数

• 先来看看百度新闻的翻页方式。如下图所示，对于不同的页面，网址中有用于控制页数的参数pn(page number的缩写)，其变化规律为（页码 - 1）X 10.
  
• 因此，当想爬取多页内容时，在网址中变化翻页参数即可。当然也可以利用Selenium库模拟单击“下一页”按钮，不过在网址中可以找到页数规律的情况下，显得不太灵巧。

2.网址中没有翻页参数，网页中有翻页按钮

• 再来看巨潮资讯网的翻页方式。如下图所示，在翻页过程中网址没有变化，因而无法通过构造网址来翻页，而是需要利用Selenium库模拟单击翻页按钮来翻页。
  

3.既没有网页参数也没有翻页按钮，通过滚动页面来加载新内容

• 最后来看开源中国博客频道的翻页方式。如下图所示，在“翻页”（实际操作为向下滚动页面）的过程中，网址没有变化，同时网页上也没有翻页按钮，因而既无法通过构造网页来翻页，又无法通过Selenium库模拟单击翻页按钮来翻页。在手动操作的情况下，需要用鼠标滚轮将页面滚动到底部，然后继续滚动才能看到新的内容。这种“翻页”加载新内容的方式就是通过Ajax动态请求实现的。
  
• 对于这种用Ajax动态请求实现的网页，如果只是爬取第1页（通常为最新的内容），那么用Requests库或Selenium库一般都可以完成。但是，如果想一次爬取“多页”（即爬取需要通过向下滚动页面才能加载的新内容），那么就需要对Ajax动态请求进行破解。
• 常用的破解方法其实和前两种翻页方式也有关联：（1）参照翻页方式1，找到真正的网址中的翻页参数，然后通过Requests库进行请求；（2）参照翻页方式2，通过Selenium库模拟鼠标滚轮滚动，变相实现翻页。这两种破解方法具体又该如何实现呢？这就涉及Ajax动态请求的基本概念和工作原理，3.1.2节会进行讲解，并从中实现这两种破解方法的突破口。

3.1.2 Ajax 的基本原理与工作原理

• Ajax与Python不同，它不是一门编程语言，而是一种技术方案。
• Ajax的全称是Asynchronous JavaScript and XML(异步的JavaScript和XML)。在传统网页中，如果需要更新页面内容，哪怕知识更新其中的很小部分，都必须重新加载整个页面，这样会造成很大的资源浪费。而在前面所举的的开源中国博客频道等例子中，通过应用Ajax动态请求，无须重新加载整个页面，就能局部动态更新页面内容：当页面已经滚动到底部时，如果继续往下滚动，Ajax就会向网站服务器发送一个“指令”——已经到底了，请提供一些新内容——此时网站服务器就会传一些新内容，供Ajax显示在网页中。
• 上面用一些形象的方式描述了Ajax的工作过程，下面用更严谨的语言描述Ajax的工作过程：
• （1）触发条件：用户在网页中触发某些条件，如将页面滚动到底部。
• （2）请求数据：前端代码使用Ajax向后端后发送请求，要求服务器提供一些数据。
• （3）获取数据：前端代码获得服务器的响应后，对接收到的数据进行处理并呈现在页面上。
• 下面则是用技术性更强的语言对上述过程进行了细化，读者无须深究，简单了解即可。

• 这里重点关注上图右侧的两种破解方法。
• 方法1：以请求数据为突破口，用Requests库破解。
• 触发条件后，Ajax会向服务器发送请求，以获取新的数据。为通过Requests库获取新的数据，就需要知道发往服务器接口的真正网址及携带的参数。3.2节会讲解如何通过通过分析一个具体的Ajax请求来找到网页向服务器请求的真正网址及携带的参数（主要讲翻页参数）。
• 方法2：以触发条件为突破口，用Selenium库破解。
• 通过Selenium库破解Ajax的核心是模拟滚动页面的操作，其核心代码如下：

browser.execute_script('window.scrollTo(0,document.body.scrollHeight)')

• 这行代码利用Selenium库的execute_script()函数模拟执行代码（JavaScript可在网页中执行动态操作，读者简单了解即可）。这里执行的JavaScript代码是window.scrollTo(0,document.body.scrollHeight)。其中window.scrollTo()函数用于把页面滚动到指定的像素点。该函数的第1个参数为x轴像素坐标，这里设置为0；第2个参数为y轴像素坐标，这里设置为document.body.scrollHeight，表示目前页面的高度。实现的效果就是把页面滚动到已展示区域的最底端。通过不停地向下滚动，就能加载新内容了。3.3节会以新浪微博为例具体讲解。
• 方法1不需要打开模拟浏览器，所以爬取速度稍快，但是需要分析真正的网址，得多动一些脑筋。而方法2不需要做额外的分析，实现起来相对比较简单，只是爬取速度稍慢。两种破解方法各有优缺点，建议读者都要掌握。