首页 > 编程语言 >小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)

时间：2023-04-18 17:36:03浏览次数：47  
标签：5.0 网页 python NT Mozilla Windows Safari Gecko 程序代码


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得到，但是在HTML源码中却发现不了

一、注意：代码加入了常规的防爬技术

       如果不加，如果网站有防爬技术，比如频繁访问，后面你会发现什么数据都取不到

1.1 模拟请求头：  这里入进入一步加强，随机，主要是User-Agent这个参数

User-Agent获取地方：

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_python

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_python_02

1.2 伪造请求cookie：当然也这里可以做随机的

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_网络爬虫_03

 网页获取位置：

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_Chrome_04

 1.3 使用代理IP(我这里没有做这个，这个网站没必要,也没深入研究)

使用代理IP解决反爬。（免费代理不靠谱，最好使用付费的。有按次数收费的，有按时长收费的，根据自身情况选择）
是什么意思呢，就是每次发送请求，让你像从不同的地域发过来的一样，第一次我的ip地址是河北，第二次是广东，第三次是美国。。。像这样：

def get_ip_pool(cnt):
	"""获取代理ip的函数"""
	url_api = '获取代理IP的API地址'
	try:
		r = requests.get(url_api)
		res_text = r.text
		res_status = r.status_code
		print('获取代理ip状态码：', res_status)
		print('返回内容是：', res_text)
		res_json = json.loads(res_text)
		ip_pool = random.choice(res_json['RESULT'])
		ip = ip_pool['ip']
		port = ip_pool['port']
		ret = str(ip) + ':' + str(port)
		print('获取代理ip成功 -> ', ret)
		return ret
	except Exception as e:
		print('get_ip_pool except:', str(e))
proxies = get_ip_pool() # 调用获取代理ip的函数
requests.get(url=url, headers=headers, proxies={'HTTPS': proxies}) # 发送请求

1.4 随机等待间隔访问

尽量不要用sleep(1)、sleep(3)这种整数时间的等待，一看就是机器。。
还是那句话，让爬虫程序表现地更像一个人！

time.sleep(random.uniform(0.5, 3))  # 随机等待0.5-3秒

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_python_05

上面4点防爬技术，不一定要全部加入，只看被爬网站是否有防爬技术，多数用到1、2点就搞定

一、例子：以抓取双色球数据为例子

官网：阳光开奖

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_网络爬虫_06

 经过排查，是通过接口获取数据再由JS来生成这部分网页元素

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_Windows_07

通过检查元素是有数据的（JS来生成这部分网页元素）

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_json_08

一、不过滤什么元素字段，把所有元素导出表格

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_Windows_09

# 抓取双色球历史数据
# 编码：utf-8
import requests
import json
import random
import time
import pandas as pd

data_list = []
num_pages = 1 #抓取多少页数据

# 创建一个DataFrame，用于保存到excel中

for page in range(1, num_pages+1):
    url = 'http://www.cwl.gov.cn/cwl_admin/front/cwlkj/search/kjxx/findDrawNotice?name=ssq&issueCount=&issueStart=&issueEnd=&dayStart=&dayEnd=&pageSize=30&week=&systemType=PC&pageNo='
    url2 = url + str(page)
    # request header，其中最关键的一项，User-Agent，可以写个agent_list，每次请求，随机选择一个agent，像这样：
    agent_list = [
        "Mozilla/5.0 (Linux; U; Android 2.3.6; en-us; Nexus S Build/GRK39F) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
        "Avant Browser/1.2.789rel1 (http://www.avantbrowser.com)",
        "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/532.5 (KHTML, like Gecko) Chrome/4.0.249.0 Safari/532.5",
        "Mozilla/5.0 (Windows; U; Windows NT 5.2; en-US) AppleWebKit/532.9 (KHTML, like Gecko) Chrome/5.0.310.0 Safari/532.9",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/534.7 (KHTML, like Gecko) Chrome/7.0.514.0 Safari/534.7",
        "Mozilla/5.0 (Windows; U; Windows NT 6.0; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/9.0.601.0 Safari/534.14",
        "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/10.0.601.0 Safari/534.14",
        "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.20 (KHTML, like Gecko) Chrome/11.0.672.2 Safari/534.20",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.27 (KHTML, like Gecko) Chrome/12.0.712.0 Safari/534.27",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.24 Safari/535.1",
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/535.2 (KHTML, like Gecko) Chrome/15.0.874.120 Safari/535.2",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.7 (KHTML, like Gecko) Chrome/16.0.912.36 Safari/535.7",
        "Mozilla/5.0 (Windows; U; Windows NT 6.0 x64; en-US; rv:1.9pre) Gecko/2008072421 Minefield/3.0.2pre",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.9.0.10) Gecko/2009042316 Firefox/3.0.10"
    ]
    headers = {
        'User-Agent': random.choice(agent_list),  # 在调用的时候，随机选取一个就可以了
        # 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 Edge/16.16299',
        'Referer': 'http://www.cwl.gov.cn/ygkj/wqkjgg/ssq/',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
        'Connection': 'keep-alive',
        'Upgrade-Insecure-Requests': '1',
        'Cookie': 'HMF_CI=xxxxxxxxxxxxxxxxxxxxxxxxx'  # 加入自己的Cookie
    }

    # 使用代理IP
    # proxies = {
    #     'http': 'http://10.10.1.10:3128',
    #     'https': 'http://10.10.1.10:1080',
    # }
    #response = requests.get(url2, headers=headers, proxies=proxies).text

    wbdata = requests.get(url2, headers=headers).text
    time.sleep(random.uniform(0.5, 3))  # 随机等待0.5-3秒
    data = json.loads(wbdata)  # json.loads() 方法将 JSON 数组转换为 Python 列表
    news = data['result']

    for n in news:
        df = pd.DataFrame(n)

df.to_excel("双色球历史数据.xlsx")
print('完成')

导出excel

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_python_10

二、只要需要的元素字段，这里比如只需要期号、红球、蓝球("code", "red", "blue")三个数据

小白用chatgpt编写python 爬虫程序代码 抓取网页数据(js动态生成网页元素)_Windows_11

# 抓取双色球历史数据
# 编码：utf-8
import requests
import json
import random
import time
import pandas as pd

data_list = []
# 抓取多少页数据
pageNo = 1
# 页数
pageSize = 30

# 只需要期号、红球、蓝球("code", "red", "blue")三个数据
columns = ["code", "red", "blue"]
df = pd.DataFrame(columns=columns)

for page in range(1, pageNo+1):

    url = 'http://www.cwl.gov.cn/cwl_admin/front/cwlkj/search/kjxx/findDrawNotice?name=ssq&issueCount=&issueStart=&issueEnd=&dayStart=&dayEnd=&pageSize=' + \
        str(pageSize) + '&week=&systemType=PC&pageNo='
    url2 = url + str(page)

    # request header，其中最关键的一项，User-Agent，可以写个agent_list，每次请求，随机选择一个agent，像这样：
    agent_list = [
        "Mozilla/5.0 (Linux; U; Android 2.3.6; en-us; Nexus S Build/GRK39F) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
        "Avant Browser/1.2.789rel1 (http://www.avantbrowser.com)",
        "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/532.5 (KHTML, like Gecko) Chrome/4.0.249.0 Safari/532.5",
        "Mozilla/5.0 (Windows; U; Windows NT 5.2; en-US) AppleWebKit/532.9 (KHTML, like Gecko) Chrome/5.0.310.0 Safari/532.9",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/534.7 (KHTML, like Gecko) Chrome/7.0.514.0 Safari/534.7",
        "Mozilla/5.0 (Windows; U; Windows NT 6.0; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/9.0.601.0 Safari/534.14",
        "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/10.0.601.0 Safari/534.14",
        "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.20 (KHTML, like Gecko) Chrome/11.0.672.2 Safari/534.20",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.27 (KHTML, like Gecko) Chrome/12.0.712.0 Safari/534.27",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.24 Safari/535.1",
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/535.2 (KHTML, like Gecko) Chrome/15.0.874.120 Safari/535.2",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.7 (KHTML, like Gecko) Chrome/16.0.912.36 Safari/535.7",
        "Mozilla/5.0 (Windows; U; Windows NT 6.0 x64; en-US; rv:1.9pre) Gecko/2008072421 Minefield/3.0.2pre",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.9.0.10) Gecko/2009042316 Firefox/3.0.10"
    ]
    headers = {
        'User-Agent': random.choice(agent_list),  # 在调用的时候，随机选取一个就可以了
        # 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 Edge/16.16299',
        'Referer': 'http://www.cwl.gov.cn/ygkj/wqkjgg/ssq/',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
        'Connection': 'keep-alive',
        'Upgrade-Insecure-Requests': '1',
        'Cookie': 'HMF_CI=xxxxxxxxxx'  # 加入自己的Cookie
    }

    # 使用代理IP

    wbdata = requests.get(url2, headers=headers).text
    # 随机等待间隔访问 随机等待0.5-3秒
    time.sleep(random.uniform(0.5, 3))
    data = json.loads(wbdata)
    news = data['result']

    # 过滤不要的元素数据
    new_json = json.dumps(
        [{key: x[key] for key in columns} for x in news]
    )
    # 再将JSON 数组转换为 Python 列表list
    new_response = json.loads(new_json)

    for n, arr in enumerate(new_response):
        index = n+(pageNo-1)*pageSize  # 插入新数据时要添加索引
        df.loc[index] = arr  # 一次插入一行数据

df.to_excel("双色球历史数据2.xlsx")
print('完成')

上面都是获取一个网页的数据，如果源数据网页是有分页的，那如何抓取

三、抓取多个网页数据

# 抓取双色球历史数据
# 编码：utf-8
import requests
import json
import random
import time
import pandas as pd

data_list = []
# 抓取多少页数据
pageNo = 2
# 页数
pageSize = 30

# 只需要期号、红球、蓝球("code", "red", "blue")三个数据
columns = ["code", "red", "blue"]
df = pd.DataFrame(columns=columns)

for page in range(1, pageNo+1):

    url = 'http://www.cwl.gov.cn/cwl_admin/front/cwlkj/search/kjxx/findDrawNotice?name=ssq&issueCount=&issueStart=&issueEnd=&dayStart=&dayEnd=&pageSize=' + \
        str(pageSize) + '&week=&systemType=PC&pageNo='
    url2 = url + str(page)

    # request header，其中最关键的一项，User-Agent，可以写个agent_list，每次请求，随机选择一个agent，像这样：
    agent_list = [
        "Mozilla/5.0 (Linux; U; Android 2.3.6; en-us; Nexus S Build/GRK39F) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
        "Avant Browser/1.2.789rel1 (http://www.avantbrowser.com)",
        "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/532.5 (KHTML, like Gecko) Chrome/4.0.249.0 Safari/532.5",
        "Mozilla/5.0 (Windows; U; Windows NT 5.2; en-US) AppleWebKit/532.9 (KHTML, like Gecko) Chrome/5.0.310.0 Safari/532.9",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/534.7 (KHTML, like Gecko) Chrome/7.0.514.0 Safari/534.7",
        "Mozilla/5.0 (Windows; U; Windows NT 6.0; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/9.0.601.0 Safari/534.14",
        "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.14 (KHTML, like Gecko) Chrome/10.0.601.0 Safari/534.14",
        "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.20 (KHTML, like Gecko) Chrome/11.0.672.2 Safari/534.20",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/534.27 (KHTML, like Gecko) Chrome/12.0.712.0 Safari/534.27",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.24 Safari/535.1",
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/535.2 (KHTML, like Gecko) Chrome/15.0.874.120 Safari/535.2",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.7 (KHTML, like Gecko) Chrome/16.0.912.36 Safari/535.7",
        "Mozilla/5.0 (Windows; U; Windows NT 6.0 x64; en-US; rv:1.9pre) Gecko/2008072421 Minefield/3.0.2pre",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.9.0.10) Gecko/2009042316 Firefox/3.0.10"
    ]
    headers = {
        'User-Agent': random.choice(agent_list),  # 在调用的时候，随机选取一个就可以了
        # 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 Edge/16.16299',
        'Referer': 'http://www.cwl.gov.cn/ygkj/wqkjgg/ssq/',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7',
        'Connection': 'keep-alive',
        'Upgrade-Insecure-Requests': '1',
        'Cookie': 'xxxxxxxxx'  # 加入自己的Cookie
    }

    # 使用代理IP

    wbdata = requests.get(url2, headers=headers).text
    # 随机等待间隔访问 随机等待0.5-3秒
    time.sleep(random.uniform(0.5, 3))
    data = json.loads(wbdata)
    news = data['result']

    # 过滤不要的元素数据
    new_json = json.dumps(
        [{key: x[key] for key in columns} for x in news]
    )
    # 再将JSON 数组转换为 Python 列表list
    new_response = json.loads(new_json)
    # 把抓取每一个网页的数据加入data_list数组中(python中list) extend() 函数用于在列表末尾一次性追加另一个序列中的多个值（用新列表扩展原来的列表） 不能用append()
    data_list.extend(new_response)
    print('------------1.抓取到第' + str(page) + '页数据---------------')

# print(data_list)
for n, arr in enumerate(data_list):
    df.loc[n+1] = arr  # 一次插入一行数据
df.to_excel("双色球历史数据.xlsx")
df.head()
print('数据导出导出完成:双色球历史数据.xlsx')

，如果这个编程语言完全不会，用chatgpt来写代码还是有点困难的，对于编程人员来说chatpgt就很好用

参考：

python怎样抓取js生成的页面_ITPUB博客


标签：5.0,网页,python,NT,Mozilla,Windows,Safari,Gecko,程序代码
From： https://blog.51cto.com/haibo0668/6193719

相关文章

  • Python + Shell 巡检服务器
    1.背景团队维护多套业务系统，有支付系统、金融系统、数据系统、核验系统等二十多套业务系统，每套业务系统有10-50台服务器不等，当前团队中存在一套自动化巡检系统，每十分钟巡检一次，有异常可实时告警。但每天还需要人工登录服务器巡检两次，因人工巡检耗时长、漏巡风险大，需要一个运维巡......
  • python如何对.csv文件里面的信息进行数据可视化
    相关步骤1、首先打开.csv文件2、然后获取任意指定列的所有数据3、绘制出折线图4、然后由于国家数量过多，就成了这副样子但是数据是没有错误的尝试更改后，其实也是没有啥效果；然后就把他放在世界地图了：......
  • Python实现搭建-简单服务器教程
    Python动态服务器网页（需要使用WSGI接口），基本实现步骤如下：1.等待客户端的链接，服务器会收到一个http协议的请求数据报2.利用正则表达式对这个请求数据报进行解析（请求方式、提取出文件的环境）3.提取出文件的环境之后，利用截断取片的方法将文件名转化为模块名称4.使用m=__import__(......
  • 什么是全栈工程师，为什么全栈开发用Python，Python web全栈开发到底有多高薪？
    我们经常听到全栈工程师这个词语。那么很多小伙伴还是不明所以，什么是全栈工程师？为什么全栈开发用Python？Pythonweb全栈开发到底有多高薪？一、什么是Pythonweb全栈工程师？全栈工程师是指掌握多种技能，并能利用多种技能独立完成产品的人。也叫全端工程师(同时具备前端和后台能力)，英文F......
  • python注意
    变量不用声明类型函数：用def定义Flask新建安装flask新建创建一个python文件..在页面输出一个hellowork赋值一个变量，实例化导入Flask定义路由，然后返回默认匹配到/调试模式修改代码没有剩下，修改代码后需要重新运行每次启动，关闭很麻烦有调试模式开启调试，模式，......
  • Python格式化字符格式化
    Python格式化字符%s%d%f格式描述%%百分号标记#就是输出一个%%c字符及其ASCII码%s字符串%d有符号整数(十进制)%u无符号整数(十进制)%o无符号整数(八进制)%x无符号整数(十六进制)%X无符号整数(十六进制大写字符)%e浮点数字(科学计数法)%E浮点数字(科学计......
  • python3路径
    （1）在windows中，有效路径为：c:d:/e:\e:\gite:/git转为e:\git不能双写\\或者//（2）python中os.listdir(pa)如果是直接调用，参数pa=”i:”，获取的就是i:下的子文件或子目录而通过pyqt调用，参数pa=”i:”，居然获取的是当前运行py所在目录的子文件和子目录。这时，需要使调用参数pa为......
  • linux安装两个python版本
    1.下载python3安装包wgethttps://www.python.org/ftp/python/3.7.2/Python-3.7.2.tgz2.解压python的tgz压缩包文件tar-xzvfPython-3.7.2.tgz3.进入解压的文件cdPython-3.7.24.在python文件路径下编译pythonprefix=/usr/local/python37,指定python安装路径，这个路径......
  • Python 开发工具PyCharm 导入 引入库
    Python语java类似有很多的库包，无论是自己些的额，还是引入第三方的。必须引入后，才能干相应的事情。 路径file-settings--project--PythonInterpreter    点击右侧加号，弹出框中搜想要引入的库。在索引所搜出来的文件中，选中，然后installpackage比如我当前要搜索excel读取的包xlr......
  • python写了各九九乘法表
    #打印九九乘法表foriinrange(1,10):print()#打印一个空行forjinrange(1,i+1):#输出内容print(str(i)+"x"+str(j)+"="+str(i*j),end="")通过这里，学会了for的使用格式for变量inrange(开始值，结束值):print("空一个\t") ......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99