黑马程序员技术交流社区

标题: 【上海校区】爬虫必备工具，掌握它就解决了一半的问题 [打印本页]

作者: 不二晨 时间: 2018-7-19 09:43
标题: 【上海校区】爬虫必备工具，掌握它就解决了一半的问题
每个网站抓取的代码各不相同，不过背后的原理是相通的。对于绝大部分网站来说，抓取的套路就那么一些。今天这篇文章不谈任何具体网站的抓取，只来说一个共性的东西：
如何通过 Chrome 开发者工具寻找一个网站上特定数据的抓取方式。
（我这里演示的是 Mac 上的英文版 Chrome，Windows 中文版的使用方法是一样的。）
> 查看网页源代码在网页上右击鼠标，选择“查看网页源代码”（View Page Source），就会在新标签页中显示这个 URL 对应的 HTML 代码文本。

此功能并不算是“开发者工具”一部分，但也很常用。这个内容和你直接通过代码向此 URL 发送 GET 请求得到的结果是一样的（不考虑权限问题）。如果在这个源代码页面上可以搜索到你要内容，则可以按照其规则，通过正则、bs4、xpath 等方式对文本中的数据进行提取。

不过，对于很多异步加载数据的网站，从这个页面上并不能搜到你要的东西。或者因为权限、验证等限制，代码中获取到的结果和页面显示不一致。这些情况我们就需要更强大的开发者工具来帮忙了。
> Elements在网页上右击鼠标，选择“审查元素”（Inspect），可进入 Chrome 开发者工具的元素选择器。在工具中是 Elements 标签页。

Elements 有几个功能：

选择元素：通过鼠标去选择页面上某个元素，并定位其在代码中的位置。
模拟器：模拟不同设备的显示效果，且可以模拟带宽。
代码区：显示页面代码，以及选中元素对应的路径
样式区：显示选中元素所受的 CSS 样式影响

从 Elements 工具里定位数据比我们前面直接在源代码中搜索要方便，因为你可以清楚看到它所处的元素结构。但这边特别提醒的是：
Elements 里看到的代码不等于请求网址拿到的返回值。
它是网页经过浏览器渲染后最终呈现出的效果，包含了异步请求数据，以及浏览器自身对于代码的优化改动。所以，你并不能完全按照 Elements 里显示的结构来获取元素，那样的话很可能得不到正确的结果。
> Network在开发者工具里选择 Network 标签页就进入了网络监控功能，也就是常说的“抓包”。

这是爬虫所用到的最重要功能。它主要解决两个问题：

抓什么
怎么抓

抓什么，是指对于那些通过异步请求获取到的数据，如何找到其来源。
打开 Network 页面，开启记录，然后刷新页面，就可以看到发出的所有请求，包括数据、JS、CSS、图片、文档等等都会显示其中。从请求列表中可以寻找你的目标。
一个个去找会很痛苦。分享几个小技巧：

点击“搜索”功能，直接对内容进行查找。
选中 Preseve log，这样页面刷新和跳转之后，列表不会清空。
Filter 栏可以按类型和关键字筛选请求。

找到包含数据的请求之后，接下来就是用程序获取数据。这时就是第二个问题：怎么抓。
并不是所有 URL 都能直接通过 GET 获取（相当于在浏览器里打开地址），通常还要考虑这几样东西：

请求方法，是 GET 还是 POST。
请求附带的参数数据。GET 和 POST 传递参数的方法不一样。
Headers 信息。常用的包括 user-agent、host、referer、cookie 等。其中 cookie 是用来识别请求者身份的关键信息，对于需要登录的网站，这个值少不了。而另外几项，也经常会被网站用来识别请求的合法性。同样的请求，浏览器里可以，程序里不行，多半就是 Headers 信息不正确。你可以从 Chrome 上把这些信息照搬到程序里，以此绕过对方的限制。

点击列表中的一个具体请求，上述信息都可以找到。

找对请求，设对方法，传对参数以及 Headers 信息，大部分的网站上的信息都可以搞定了。
Network 还有个功能：右键点击列表，选择“Save as HAR with content”，保存到文件。这个文件包含了列表中所有请求的各项参数及返回值信息，以便你查找分析。（实际操作中，我发现经常有直接搜索无效的情况，只能保存到文件后搜索）

除了 Elements 和 Network，开发者工具中还有一些功能，比如：
Sources，查看资源列表和调试 JS。
Console，显示页面的报错和输出，并且可以执行 JS 代码。很多网站会在这里放上招聘的彩蛋（自己多找些知名网站试试）。

但这些功能和爬虫关系不大。如果你开发网站和优化网站速度，就需要和其他功能打交道。这里就不多说了。
总结一下，其实你就记住这几点：

“查看源代码”里能看到的数据，可以直接通过程序请求当前 URL 获取。
Elements 里的 HTML 代码不等于请求返回值，只能作为辅助。
在 Network 里用内容关键字搜索，或保存成 HAR 文件后搜索，找到包含数据的实际请求
查看请求的具体信息，包括方法、headers、参数，复制到程序里使用。

理解了这几步，大部分网上的数据都可以拿到，说“解决一半的问题”可不是标题党。
当然咯，说起来轻松几点，想熟练掌握，还是有很多细节要考虑，需要不断练习。但带着这几点再去看各种爬虫案例，思路会更清晰。

作者：Crossin先生
链接：https://juejin.im/post/5b4efe78f265da0fa42cd2bd

作者: 不二晨 时间: 2018-7-19 13:56

优秀

作者: 吴琼老师 时间: 2018-7-19 16:42

作者: 摩西摩西OvO 时间: 2018-7-19 17:07

欢迎光临黑马程序员技术交流社区 (http://bbs.itheima.com/)

黑马程序员IT技术论坛 X3.2