import requests
import bs4
import time
def open_url(url):
headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3706.400 SLBrowser/10.0.4040.400'}
res = requests.get(url, headers=headers)
return res
def find_phone(res):
soup=bs4.BeautifulSoup(res.text, 'html.parser')
#手机名
names=[]
name=soup.find_all('div',class_="p-name p-name-type-3")
for each in name:
names.append(each.a.em.text)
#将找到的每一页的内容放进result中
result = []
length = len(names)
for i in range(length):
result.append(names[i] + '\n')
return result
def main():
result=[]
url='https://list.jd.com/list.html?cat=9987%2C653%2C655&page=1&s=1&click=0'
res = open_url(url)
result.extend(find_phone(res))
with open("E:\京东手机.txt", "w", encoding="utf-8") as f:
for each in result:
f.write(each)
time.sleep(1)
if __name__ == "__main__":
main()
(1).爬取京东上的手机信息,结果测试只爬取第一页手机名字的时候,爬出来的信息只有一半,后半部分没有信息。
(2).我本来以为是标签 变了,结果标签并没有变。
然后我发现了问题,就是当我打开链接那个的页面的时候,实际就只先出来能爬出来的手机信息,剩下的要把页面拉下去才会刷新出现,
所以我想问下(1)的问题的原因是(2)吗?如果是应该要怎么解决?如果不是,又是什么原因?又要怎样解决?
对的, 少数据的原因就是因为后半部分需要重新加载
这应该属于 Ajax 现象,去开发者模式里面看下 XHR 中的 url 有没有什么规律,爬取这个含有规律的 url 即可
|