Python爬取动态网页实例讲解

笔者在做爬虫作业时，遇到了一个动态网页，分析代码网页源代码时因此就少了许多需要的元素。下面用一个实例来记录一下爬取动态网页的步骤。

实例：股票定向爬虫

这个实例目标是从东方财富网获取股票列表，然后根据股票列表逐个到百度股票获取个股信息，最后将结果存储到文件。基本也看的出来代码就是上面三个步骤。

踩雷

一开始没发现这是个动态网页，因为我在需要的信息上面直接右键检查，发现信息挺全的，但是代码会变一下，当时也没发现什么不对（还是太菜了没这实战经验），第一次操作如图：

你可以看到，需要信息的网页代码还是存在的，但是当你展开td标签时，网页会自动恢复，该标签内部信息会自动收回，所以想到这是一个动态网页，所有信息都是动态加载出来的，而非静态呈现。右键查看源代码，可以发现源代码中并没有这些信息，说明确实是动态网页：

想想办法

既然是动态加载的，那么数据文件还是存在的。因此审查查看资源文件里有没有想要的数据文件，结果一个一个点开后发现了目标：

接着就直接点击一个进去，复制url（右键 copy link address）看看是个什么东西：

结果发现首页所有的股票信息都在这个文件里面，那么很好，这个url就是我们爬取的对象url了。

代码

• 解析网页，返回源代码

def getHTMLText(url, code='utf-8'):
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = code
        return r.text
    except:
        return ""

• 解析数据文件，使用re库提取出股票信息

# 东方财富网，通过a标签内找到股票标号，将所有的股票标号返回到lst中
def getStockList(lst, stockURL):
    #2 sz 1 sh
    html = getHTMLText(stockURL, "GB2312")
    # soup = BeautifulSoup(html, 'html.parser')
    content = re.findall(r"data:\[(.*?)\],recordsFiltered", html)[0]
    #25
    lists = content.split(",")
    l=1
    while l < len(lists):
        if lists[l-1]=="\"2":
            lst.append("sz"+ lists[l])
        else:
            lst.append("sh" + lists[l])
        l+=26

• 根据股票信息，从百度股票获取个股信息，并存放到文件中：

def getStockInfo(lst, stockURL, fpath):
    count = 0   #进度
    for stock in lst:
        url = stockURL + stock + ".html"  # https://gupiao.baidu.com/stock/sh000001.html
        html = getHTMLText(url)
        try:
            if html == "":
                continue
            infoDict = {}
            soup = BeautifulSoup(html, 'html.parser')
            stockInfo = soup.find('div', attrs={'class': 'stock-bets'})
            name = stockInfo.find_all(attrs={'class': 'bets-name'})[0]
            infoDict.update({'股票名称': name.text.split()[0]})
            keyList = stockInfo.find_all('dt')  # 键
            valueList = stockInfo.find_all('dd')  # 值

            for i in range(len(keyList)):
                key = keyList[i].text
                val = valueList[i].text
                infoDict[key] = val  # 构建键值对

            with open(fpath, 'a', encoding='utf-8') as f:
                f.write(str(infoDict) + '\n')
                count = count + 1
                print("\r当前进度: {:.2f}%".format(count * 100 / len(lst)), end="")
        except:
            count = count + 1
            print("\r当前进度: {:.2f}%".format(count * 100 / len(lst)), end="")
            continue

• main

if __name__ == '__main__':
    stock_list_url = 'http://nufm.dfcfw.com/EM_Finance2014NumericApplication/JS.aspx?cb=jQuery1124042072564439236015_1553933614379&type=CT&token=4f1862fc3b5e77c150a2b985b12db0fd&sty=FCOIATC&js=(%7Bdata%3A%5B(x)%5D%2CrecordsFiltered%3A(tot)%7D)&cmd=C._A&st=(ChangePercent)&sr=-1&p=1&ps=20'
    stock_info_url = 'https://gupiao.baidu.com/stock/'
    output_file = 'D:\stack_info.txt'
    slist = []
    getStockList(slist, stock_list_url)
    getStockInfo(slist, stock_info_url, output_file)

结果

就上一点点结果吧…