python - 如何爬取URL不变的网站内容

问题描述

问 题

<a href="javascript:__doPostBack('AspNetPager1','3')" class="Pager" title="转到第3页" style="margin-right:5px;">[3]</a>
function __doPostBack(eventTarget, eventArgument) {
    if (!theForm.onsubmit || (theForm.onsubmit() != false)) {
        theForm.__EVENTTARGET.value = eventTarget;
        theForm.__EVENTARGUMENT.value = eventArgument;
        theForm.submit();
    }

对于这种翻页方式，怎么用爬虫爬取呢？网站翻页后URL没有发生改变。我之前使用bs4和selenium模拟翻页操作再爬取，可是数据量太大，这种方法速度太慢。80%的时间都浪费在翻页上。

解决方案

这个问题得具体到网址去分析，不同网址会有不同的处理方式。
现在假设在比较常见的情况下，可以用这种方法：

1. 打开浏览器调试模式

2. 点击下一页，查看对应的网络请求的Response，这个响应通常就是下一页的URL

3. 查看该请求的请求头和请求参数，分析找出规律

4. 使用python模拟HTTP请求来批量获得URL

5. 爬取信息，推荐LXML进行HTML解析

至于如何模拟HTTP请求，可参考 python模拟HTTP请求

这篇关于python - 如何爬取URL不变的网站内容的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！