Python爬取动态加载内容的技巧：识别并处理XHR请求

当使用beautifulsoup等库直接解析网页内容时，如果目标元素为空，通常是因为其内容通过javascript动态加载。本教程将指导您如何利用浏览器开发者工具识别并直接请求这些动态数据背后的xhr（xmlhttprequest）接口，从而绕过前端渲染，高效地抓取所需信息，特别是针对json格式的动态内容。

理解动态内容加载与爬取挑战

在现代网页开发中，为了提升用户体验，许多网站采用JavaScript来动态加载内容。这意味着当您通过requests库获取网页的初始HTML时，某些区域（例如列表、评论、搜索结果等）可能还是空的占位符。只有当浏览器执行了页面上的JavaScript代码后，这些内容才会通过AJAX（异步JavaScript和XML）请求从服务器获取并填充到页面中。

对于爬虫而言，直接使用BeautifulSoup解析初始HTML将无法获取到这些动态加载的内容。正如问题中所示，即使目标ul标签存在，其内部的li元素也可能为空，因为它们尚未被JavaScript注入。

识别动态数据源：利用浏览器开发者工具

解决这类问题的关键在于找到数据实际的来源。浏览器开发者工具是您的最佳盟友。以下是识别动态数据源的步骤：

1. 打开目标网页： 在浏览器中访问您想要爬取的页面（例如：https://www.parliament.lk/en/members-of-parliament/directory-of-members/?cletter=A）。
2. 打开开发者工具：
   • Windows/Linux: 按 F12 或 Ctrl+Shift+I。
   • macOS: 按 Cmd+Option+I。
3. 切换到“网络”（Network）标签页： 这个标签页会显示浏览器加载页面时发出的所有请求。
4. 过滤XHR请求： 在“网络”标签页中，通常有一个过滤选项，选择“XHR”或“Fetch/XHR”，这将只显示异步数据请求。
5. 刷新页面或触发数据加载： 刷新页面，或者如果数据是在特定操作（如点击按钮、滚动）后加载的，则执行该操作。观察XHR列表中新出现的请求。
6. 检查请求详情：
   • URL： 找到看起来像是数据接口的URL。通常这些URL会包含api、data、json等关键词，或者与页面功能相关的路径。
   • 请求方法： 观察是GET请求还是POST请求。
   • 请求载荷（Request Payload）： 如果是POST请求，查看其发送了哪些参数。
   • 响应（Response）： 查看服务器返回的数据格式，通常是JSON或XML。

通过分析，我们可以发现本例中成员列表的数据并非直接嵌入在初始HTML中，而是通过一个POST请求到https://www.parliament.lk/members-of-parliament/directory-of-members/index2.php?option=com_members&task=all&tmpl=component&letter={letter}&wordfilter=&search_district=获取的。这个接口接收一个letter参数，用于按字母筛选成员。

立即学习“Python免费学习笔记（深入）”；

AI帮个忙

多功能AI小工具，帮你快速生成周报、日报、邮、简历等

116

查看详情

直接请求动态数据

一旦确定了动态数据源的URL、请求方法和所需参数，我们就可以使用requests库直接向该接口发送请求，获取原始数据。

示例代码

以下Python代码演示了如何通过直接请求XHR接口来获取斯里兰卡议会成员的列表：

import requests
import string
import json # 导入json模块以处理JSON数据

def scrape_parliament_members():
    """
    通过直接请求XHR接口，抓取斯里兰卡议会成员信息。
    """
    all_members_data = []

    # 遍历所有大写字母，模拟页面按字母筛选的功能
    for letter in string.ascii_uppercase:
        print(f"Fetching members for letter: {letter}")

        # 构建请求的URL和参数
        # 注意：这里是一个POST请求，且URL中包含部分参数，其他参数可能通过data字段发送
        # 实际情况请根据开发者工具中观察到的请求详情进行调整
        api_url = f'https://www.parliament.lk/members-of-parliament/directory-of-members/index2.php?option=com_members&task=all&tmpl=component&letter={letter}&wordfilter=&search_district='

        try:
            # 发送POST请求
            # 如果API需要特定的headers，如User-Agent，可以在这里添加
            response = requests.post(api_url)
            response.raise_for_status() # 检查HTTP请求是否成功 (200 OK)

            # 解析JSON响应
            members_json = response.json()

            # 遍历JSON中的每个成员数据
            for member_info in members_json:
                # 提取所需信息，并构建成员字典
                member_detail = {
                    'url': f"https://www.parliament.lk/en/members-of-parliament/directory-of-members/viewMember/{member_info.get('mem_intranet_id')}",
                    'id': member_info.get('mem_intranet_id'),
                    'name': member_info.get('member_sname_eng')
                }
                all_members_data.append(member_detail)

        except requests.exceptions.RequestException as e:
            print(f"Error fetching data for letter {letter}: {e}")
        except json.JSONDecodeError as e:
            print(f"Error decoding JSON for letter {letter}: {e}")
            print(f"Response content: {response.text[:200]}...") # 打印部分响应内容帮助调试

    return all_members_data

# 执行抓取
members = scrape_parliament_members()

# 打印前5个成员数据作为示例
if members:
    print("\nSuccessfully scraped members. First 5 entries:")
    for i, member in enumerate(members[:5]):
        print(member)
else:
    print("\nNo member data was scraped.")

# 您也可以将数据保存到文件，例如CSV或JSON
# import pandas as pd
# df = pd.DataFrame(members)
# df.to_csv('parliament_members.csv', index=False, encoding='utf-8-sig')
# with open('parliament_members.json', 'w', encoding='utf-8') as f:
#     json.dump(members, f, ensure_ascii=False, indent=4)

代码说明：

• import requests, string, json: 导入必要的库。string用于生成字母列表，json用于解析API返回的JSON数据。
• for letter in string.ascii_uppercase: 模拟网站通过字母筛选的功能，遍历所有大写字母。
• requests.post(api_url): 向识别出的XHR接口发送POST请求。请注意，如果开发者工具显示的是GET请求，则应使用requests.get()。
• response.raise_for_status(): 这是一个很好的实践，用于检查请求是否成功（HTTP状态码为2xx）。如果请求失败，它会抛出一个HTTPError。
• response.json(): 将服务器返回的JSON格式响应体解析为Python字典或列表。
• 数据提取: 遍历解析后的JSON数据，提取所需的字段（如mem_intranet_id和member_sname_eng），并构建成更易于处理的字典列表。
• 错误处理: 使用try-except块捕获可能发生的网络请求错误和JSON解析错误，提高程序的健壮性。

注意事项与总结

1. 尊重Robots.txt和网站政策： 在进行任何爬取活动之前，请务必检查网站的robots.txt文件以及服务条款，确保您的行为符合规定。
2. User-Agent： 某些网站可能会检查请求的User-Agent头部。为了模拟真实浏览器行为，您可以在requests.post()或requests.get()中添加headers={'User-Agent': 'Your Custom User-Agent'}。
3. 请求频率： 避免在短时间内发送大量请求，以免给服务器造成过大压力，导致IP被封禁。可以添加time.sleep()来设置请求间隔。
4. 动态参数： 有些XHR请求的参数可能是动态生成的（例如时间戳、加密签名）。识别并正确模拟这些参数可能需要更深入的分析。
5. 数据结构变化： 网站API接口可能会更新，导致返回的JSON数据结构发生变化，您的爬虫代码可能需要相应调整。
6. 登录与会话： 如果要爬取的内容需要登录，您可能需要处理会话（session）和Cookies。

通过直接识别和调用XHR接口，您可以有效地绕过JavaScript动态加载带来的障碍，直接获取到结构化的数据，从而大大提高爬取效率和成功率。这种方法对于处理大多数现代网站的动态内容都是一个非常强大的技巧。

以上就是Python爬取动态加载内容的技巧：识别并处理XHR请求的详细内容，更多请关注php中文网其它相关文章！