Python + Requests库爬取动态Ajax分页数据的完整流程
目录
- 引言
- 1. 分析AJAX请求
- 1.1 目标网站分析
- 1.2 使用浏览器开发者工具
- 1.3 确定请求参数
- 2. python + Requests 实现爬取
- 2.1 安装依赖库
- 2.2 构造请求函数
- 2.3 解析数据并翻页
- 2.4 存储数据(CSV)
- 3. 进阶优化
- 3.1 处理反爬机制
- 3.2 异常处理
- 3.3 多线程/异步爬取(提高效率)
- 4. 完整代码示例
- 5. 总结
引言
在当今的互联网环境中,许多网站采用Ajax(Asynchronous JavaScript and XML)技术动态加载数据,以提高用户体验。传统的爬虫方法(如直接解析html)无法获取这些动态生成的内容,因此需要分析Ajax请求,模拟浏览器发送HTTP请求来获取数据。
本文将介绍如何使用Python + Requests库爬取动态Ajax分页数据,包括:
- 分析Ajax请求,找到数据接口
- 模拟请求参数,构造翻页逻辑
- 解析返回数据(通常是jsON格式)
- 存储数据(如CSV或数据库)
我们将以某电商网站(模拟案例)为例,演示如何爬取分页商品数据。
1. 分析Ajax请求
1.1 目标网站分析
假设目标网站的商品列表采用Ajax动态加载,URL结构如下:
https://example.com/api/products?page=1&size=10
**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">page</font>**
:当前页码**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">size</font>**
:每页数据量
1.2 使用浏览器开发者工具
- 打开Chrome/Firefox开发者工具(F12)
- 进入Network(网络)选项卡
- 选择XHR(Ajax请求)
- 翻页时观察新增的请求,找到数据接口
https://example.com/ajax-analysis.png
1.3 确定请求参数
观察请求的:
- URL(是否包含页码参数)
- Headers(是否需要
**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">User-Agent</font>**
、**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">Referer</font>**
等) - 请求方式(GET/POST)
- 返回数据格式(通常是JSON)
2. Python + Requests 实现爬取
2.1 安装依赖库
2.2 构造请求函数
import requests import pandas as pd def fetch_ajax_data(page): url = "https://example.com/api/products" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36", "Referer": "https://example.com/products", } params = { "page": page, "size": 10, } response = requests.get(url, headers=headers, params=params) if response.status_code == 200: return response.json() # 假设返回的是JSON数据 else: print(f"请求失败,状态码:{response.status_code}") return None
2.3 解析数据并翻页
def crawl_ajax_pages(max_pages=5): all_products = [] for page in range(1, max_pages + 1): print(f"正在爬取第 {page} 页...") data = fetch_ajajsx_data(page) if data and "products" in data: all_products.extend(data["products"]) else: print(f"第 {page} 页无数据或解析失败") return all_products
2.4 存储数据(CSV)
def save_to_csv(data, filename="products.csvjGoxGqz"): df = pd.DataFrame(data) df.to_csv(filename, index=False, encoding="utf-8-sig") print(f"数据已保存至 {filename}") # 执行爬取 if __name__ == "__main__": products = crawl_ajax_pages(max_pages=5) if products: save_to_csv(products)
3. 进阶优化
3.1 处理反爬机制
- 随机User-Agent:防止被识别为爬虫
- 请求间隔:避免被封IP
- 代理IP:应对IP限制
import time from fake_useragent import UserAgent def fetch_ajax_data_safe(page): ua = UserAgent() headers = { "User-Agent": ua.random,编程客栈 "Referer": "https://example.com/products", } time.sleep(1) # 避免请求过快 # 其余代码同上...
3.2 异常处理
try: response = requests.get(url, headers=headers, params=params, timeout=10) response.raise_for_statuswww.devze.com() # 检查HTTP错误 except requests.exceptions.RequestException as e: print(f"请求异常:{e}") return None
3.3 多线程/异步爬取(提高效率)
import concurrent.futures def crawl_with_threads(max_pages=5, workers=3): with concurrent.futures.ThreadPoolExecutor(max_workers=workers) as executor: futures = [executor.submit(fetch_ajax_data, page) for page in range(1, max_pages + 1)] all_products = [] for future in concurrent.futures.as_completed(futures): data = future.result() if data: all_products.extend(data.get("products", [])) return all_products
4. 完整代码示例
import requests import pandas as pd import time from fake_useragent import UserAgent # 代理服务器配置 proxyHost = "www.16yun.cn" proxyPort = "5445" proxyUser = "16QMSOML" proxyPass = "280651" # 构造代理字典 proxies = { "http": f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}", "https": f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}", } def fetch_ajax_data(page): ua = UserAgent() url = "https://example.com/api/products" headers = { "User-Agent": ua.random, "Referer": "https://example.com/products", } params = { "page": page, "size": 10, } try: time.sleep(1) # 防止请求过快 # 添加proxies参数使用代理 response = requests.get( url, headers=headers, params=params, timeout=10, proxies=proxies ) response.raise_for_status() return response.json() except requests.exceptions.RequestException as e: print(f"第 {page} 页请求失败:{e}") return None def crawl_ajax_pages(max_pages=5): all_products = [] for page in range(1, max_pages + 1): print(f"正在爬取第 {page} 页...") data = fetch_ajax_data(page) if data and "products" in data: all_products.extend(data["products"]) else: print(f"第 {page} 页无数据或解析失败") return all_products def save_to_csv(data, filename="products.csv"): df = pd.DataFrame(data) df.to_csv(filename, index=False, encoding="utf-8-sig") print(f"数据已保存至 {filename}") if __name__ == "__main__": products = crawl_ajax_pages(max_pages=5) if products: save_to_csv(products)
5. 总结
本文介绍了如何使用Python + Requests库爬取动态Ajax分页数据,核心步骤包括:
- 分析Ajax请求(使用浏览器开发者工具)
- 模拟请求参数(Headers、Query Params)
- 翻页逻辑实现(循环请求不同页码)
- 数据存储(CSV、数据库等)
- 反爬优化(随机UA、代理IP、请求间隔)
这种方法适用于大多数动态加载数据的网站,如电商、新闻、社交媒体等。如果需要更复杂的动态渲染(如javascript生成内容),可结合Selenium或Playwright实现。
到此这篇关于Python + Requests库爬取动态Ajax分页数据的文章就介绍到这了,更多相关Python Requests库 Ajax分页数据内容请搜索编程客栈(wjavascriptww.cppcns.com)以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程客栈(www.devze.com)!
精彩评论