用Python實(shí)現(xiàn)常規(guī)的靜態(tài)網(wǎng)頁(yè)抓取時(shí)，往往是用urllib2來(lái)獲取整個(gè)HTML頁(yè)面，然后從HTML文件中逐字查找對(duì)應(yīng)的關(guān)鍵字。如下所示：

就抓取不到上述內(nèi)容了。

我們查看一下這個(gè)頁(yè)面對(duì)應(yīng)的源碼：

由源碼可以看出，這個(gè)《備案確認(rèn)書(shū)》屬于“填空”形式的，HTML提供文字模板，js根據(jù)不同的id提供不同的變量，“填入”到文字模板中，形成了一個(gè)具體的《備案確認(rèn)書(shū)》。所以單純抓取此HTML，只能得到一些文字模板，而無(wú)法得到具體內(nèi)容。

那么，該如何找到那些具體內(nèi)容呢？可以利用Chrome的“開(kāi)發(fā)者工具”來(lái)尋找誰(shuí)是真正的內(nèi)容提供者。

打開(kāi)Chrome瀏覽器，按下鍵盤(pán)F12即可呼出此工具。如下圖：

此時(shí)選中“Network”標(biāo)簽，在地址欄中輸入此頁(yè)面“http://beian.hndrc.gov.cn/indexinvestment.jsp?id=162518”，瀏覽器會(huì)分析出此次響應(yīng)的全過(guò)程，而紅框內(nèi)的文件，就是此次響應(yīng)中，瀏覽器和web后端的所有通信。

因?yàn)橐@得不同企業(yè)對(duì)應(yīng)的不同信息，那么瀏覽器發(fā)送給服務(wù)器的請(qǐng)求里面一定會(huì)有一個(gè)和當(dāng)前企業(yè)id有關(guān)的參數(shù)。

那么，參數(shù)是多少呢？URL上有，是“jsp?id=162518”，問(wèn)號(hào)表示要調(diào)用參數(shù)，后面跟的是id號(hào)即是被調(diào)用的參數(shù)。而通過(guò)對(duì)這幾個(gè)文件的分析，很顯然，企業(yè)信息存在于“indexinvestment.action”文件中。

然而，雙擊打開(kāi)此文件并不能獲得企業(yè)信息，而是一堆代碼。因?yàn)闆](méi)有對(duì)應(yīng)的參數(shù)為它指明要顯示第幾號(hào)的信息。如圖：

那么，應(yīng)該如何將參數(shù)傳遞給它呢？這時(shí)我們?nèi)耘f看F12窗口：

“Header”一欄中明確地顯示出了此次響應(yīng)的過(guò)程：

對(duì)目標(biāo)URL，用POST的方式，傳遞了一個(gè)id為162518的參數(shù)。

我們先手工操作一下。js是如何調(diào)用參數(shù)的呢？對(duì)，上面說(shuō)過(guò)：?jiǎn)柼?hào)+變量名+等號(hào)+變量對(duì)應(yīng)的數(shù)字。也就是說(shuō)，向“http://beian.hndrc.gov.cn/indexinvestment.action”這個(gè)頁(yè)面提交id為162518的參數(shù)時(shí)，應(yīng)該在URL后面加上

“?id=162518”,即

“http://beian.hndrc.gov.cn/indexinvestment.action?id=162518”。

我們把這個(gè)URL粘貼到瀏覽器中來(lái)看：

似乎有了點(diǎn)內(nèi)容，可是都是亂碼啊，怎么破？熟悉的朋友可能一眼就看出來(lái)，這是編碼的問(wèn)題。是因?yàn)轫憫?yīng)回來(lái)的內(nèi)容與瀏覽器默認(rèn)的編碼方式不同。只需要在Chrome右上角菜單——更多工具——編碼——“自動(dòng)檢測(cè)”即可。（其實(shí)這是UTF-8的編碼，而Chrome默認(rèn)的是中文簡(jiǎn)體）。如下圖：

好了，真正的信息源已經(jīng)被挖出，剩下的就是用Python處理這些頁(yè)面上的字符串，然后剪切、拼接，重新組成新的《項(xiàng)目備案書(shū)》了。

再然后使用for、while等循環(huán)，批量獲取這些《備案書(shū)》。

正如“不論是靜態(tài)網(wǎng)頁(yè)，動(dòng)態(tài)網(wǎng)頁(yè)，模擬登陸等，都要先分析、搞懂邏輯，再去寫(xiě)代碼”所說(shuō)，編程語(yǔ)言只是一個(gè)工具，重要的是解決問(wèn)題的思路。有了思路，再尋找趁手的工具去解決，就OK了。

最新評(píng)論