Python 爬虫：获取 JS 动态内容——应用宝搜索应用

  本内容主要介绍如何获取网页中 JS 动态生成的内容。

1.1 Ajax 异步加载生成网页内容

  现在越来越多的网页使用 Ajax 异步加载方式，即网页中的一些内容由前端的 JS 动态生成。由于呈现在网页上的内容是由 JS 生成而来，我们能够在浏览器上看到，但是在 HTML 源码中却发现不了。

  比如应用宝的搜索应用页面，显示如下：

  从上面可以看到，搜索出来的应用列表信息是在 id="J_SearchDefaultListBox" DOM 树下面。

  查看当前网页的源码（使用快捷键 “Ctrl + U”）如下：

  在源码中，发现元素 id="J_SearchDefaultListBox" 下面的内容为空，没有任何应用列表信息。

  通过上面的分析可知，应用宝应用搜索页面中显示的应用列表是由 JS 动态生成加载的。

  遇到这种情况，我们应该如何对网页内容进行爬取呢？一般有两种方法：

（1）从网页响应中找到 JS 脚本返回的数据（大多是 json 格式，也有 xml 格式。）；

（2）使用 Selenium 对网页进行模拟访问。

  下面我们将介绍第一种方法。第二种方法可以参考这里。

1.2 从网页响应中找到 JS 脚本返回的数据

  既然网页内容是由 JS 动态生成加载的，那么 JS 就需要先对某个接口进行调用，然后根据接口返回的数据再进行加载和渲染。那我们可以先找到 JS 调用的数据接口，从数据接口中找到网页中最后呈现的数据。

  下面我们就以应用宝的搜索应用页面为例，进行说明。

1.2.1 找到 JS 请求的数据接口

  按照如下步骤进行操作：

• 打开应用宝的搜索页面（https://android.myapp.com/myapp/search.htm）
• 按 F12 打开网页调试工具
• 选择 “Network” 选项卡
• 选择 “XHR”（即 XMLHTTPRequest，是 Ajax（Asynchronous JavaScript and XML，异步的 JavaScript 和 XML） 中的概念。 ）
• 输入应用名（例如：微信）

  将看到如下信息：

  在这里，我们看到只有一个 request（其他网页可能会存在多个）。点击这个 request，然后选择 “Preview”，可以看到如下数据：

  在上面的数据中，我们发现了“微信”、“多开助手”等信息，这些就是搜索出来的应用列表信息。

  通过上面的分析，可以知道搜索出来的应用列表信息正是通过这个 request 获取的。这个 request 对应 URL 为 https://android.myapp.com/myapp/searchAjax.htm?kw=%E5%BE%AE%E4%BF%A1&pns=&sid=（获取方法：将鼠标移动到这个 request 上 -> 然后右键单击 -> Copy -> Copy link address）。

  将上面的 URL 在浏览器中打开，会返回一串数据。看起来似乎很乱，但实际上是 JSON 格式的数据。

  这样，我们就找到了 JS 请求的数据接口。

1.2.2 URL 编码

  上面我们找到的 JS 请求的数据接口是 https://android.myapp.com/myapp/searchAjax.htm?kw=%E5%BE%AE%E4%BF%A1&pns=&sid=，但是其中的 %E5%BE%AE%E4%BF%A1 代表什么意思呢？

  实际上 %E5%BE%AE%E4%BF%A1 是中文 微信 的 URL 编码。在 Python 中，可以使用 urllib.parse.quote() 得到，即 '%E5%BE%AE%E4%BF%A1' = urllib.parse.quote('微信')。

按照标准，URL 中只允许包含英文字母、数字以及部分符号，其他字符（比如中文）是不符合 URL 标准的。这个时候就需要进行 URL 编码。

1.2.3 代码实现

  按照以下 4 步进行实现：

（1）引入相关的库；

（2）对 JS 请求的数据接口进行请求；

（3）对 HTTP 响应的数据进行 json 格式化；

（4）进行遍历获取列表中 App 的信息（App 名称、包名、版本号、apk 下载 URL等）

import json
import requests
from urllib.parse import quote

# 对数据接口进行 http 请求
app_name = '微信'
url = 'https://android.myapp.com/myapp/searchAjax.htm?kw={}&pns=&sid='\
    .format(quote(app_name))
web_data = requests.get(url).text

# 对 http 响应的数据进行 json 格式化
data = json.loads(web_data)
app_infos = data['obj']['appDetails']

# 进行遍历获取列表中 App 的信息（App 名称、包名、版本号、apk 下载 URL等）
for app_info in app_infos:
    app_name = app_info['appName']
    pkg_name = app_info['pkgName']
    version_code = app_info['versionCode']
    version_name = app_info['versionName']
    download_url = app_info['apkUrl']
    print(app_name, pkg_name, version_code, version_name, download_url)

参考：

[1] Python爬虫实战入门五：获取JS动态内容—爬取今日头条