爬取网站练习
数据加载方式（重要）：
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
如果能收到就表示该数据是直接加载的(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监测核对内部请求
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 ‘’‘看是动态加载还是直接加载’‘’
# 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.将请求获得的数据稍作分析
https://www.bejson.com/
# 5.利用requests模块朝发现的地址发送get请求获取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(
‘http://tianqi.2345.com/Pc/GetHistory?areaInfo%5BareaId%5D=60010&areaInfo%5BareaType%5D=2&date%5Byear%5D=2021&date%5Bmonth%5D=6‘)
# 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‘)
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 之后再分析
5.利用浏览器点击详情页查找关键数据
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一致 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‘)
"""
数据详情页地址:http://scxk.nmpa.gov.cn:81/xk/itownet/portal/dzpz.jsp?id=911d4f256300476abb78012427d38c9d
核心数据请求地址:http://scxk.nmpa.gov.cn:81/xk/itownet/portalAction.do?method=getXkzsById
核心数据请求体参数:id:911d4f256300476abb78012427d38c9d
"""
# 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‘‘‘
爬取网站练习
原文：https://www.cnblogs.com/yyyyuzc/p/15304897.html