一个做了反爬的36氪，返回数据恶心，感觉是一堆垃圾。这里只是记录一下爬取过程。
（一）爬取环境
- win10
- python3
- scrapy
（二）爬取过程
（1）入口：搜索
image.png
（2）动态js数据加载，查看下一页操作：
image.png
（3）返回数据：
image.png
（4）请求链接
http://36kr.com/api//search/entity-search?page=4&per_page=40&keyword=机器人&entity_type=post&ts=1532794031142&_=1532848230039
分析：这里的ts及后面的都为时间戳格式，可不要，entity_type=post这个是必须要的，可变参数为page
（4）列表页的json数据，id为详情页链接所需标志
image.png
image.png
（5）详情页数据
抓取内容：
image.png
image.png
字段：标题，作者，日期，简要，标签，内容
查看源码，数据全在var props所包含的script标签里面
（6）正则获取并将之转为正常的json数据（理由：json文件可以更好的获取某个字段的内容，单纯全用正则截取的话，不好获取或者直接是获取不到）
image.png
源码：
# -*- coding: utf-8 -*-
# @Time : 2018/7/28 17:13
# @Author : 蛇崽
# @Email : 643435675@QQ.com 1532773314218
# @File : 36kespider.py
import json
import re
import scrapy
import time
class ke36Spider(scrapy.Spider):
name = 'ke36'
allowed_domains = ['www.36kr.com']
start_urls = ['https://36kr.com/']
def parse(self, response):
print('start parse ------------------------- ')
word = '机器人'
t = time.time()
page = '1'
print('t',t)
for page in range(1,200):
burl = 'http://36kr.com/api//search/entity-search?page={}&per_page=40&keyword={}&entity_type=post'.format(page,word)
yield scrapy.Request(burl,callback=self.parse_list,dont_filter=True)
def parse_list(self,response):
res = response.body.decode('utf-8')
# print(res)
jdata = json.loads(res)
code = jdata['code']
timestamp = jdata['timestamp']
timestamp_rt = jdata['timestamp_rt']
items = jdata['data']['items']
m_id = items[0]['id']
for item in items:
m_id = item['id']
b_url = 'http://36kr.com/p/{}.html'.format(str(m_id))
# b_url = 'http://36kr.com/p/5137751.html'
yield scrapy.Request(b_url,callback=self.parse_detail,dont_filter=True)
def parse_detail(self,response):
res = response.body.decode('utf-8')
content = re.findall(r'<script>var props=(.*?)</script>',res)
temstr = content[0]
minfo = re.findall('\"detailArticle\|post\"\:(.*?)"hotPostsOf30',temstr)[0]
print('minfo ----------------------------- ')
minfo = minfo.rstrip(',')
jdata = json.loads(minfo)
print('j'*40)
published_at = jdata['published_at']
username = jdata['user']['name']
title = jdata['user']['title']
extraction_tags = jdata['extraction_tags']
content = jdata['content']
print(published_at,username,title,extraction_tags)
print('*'*50)
print(content)
更多资源请访问：
https://blog.csdn.net/xudailong_blog/article/details/78762262
欢迎光临我的小网站：http://www.00reso.com
陆续优化中，后续会开发更多更好玩的有趣的小工具
