在第一篇文章中，我总结了最近学到的利用requests和bs4第三方库共同作用，基本可以应对python获取静态网页数据的相关问题。但是如果现实中的网页往往比想象中复杂的多，网页也早已不再是纯静态网页。
就比如在第一篇文章中爬取的网易云课堂计算机专业大学课程中，如果我们进一步爬取计算机专业可以就业的岗位信息时，通过开发者工具，我们发现，我们所需要的数据位于id=”j-smartspec” 的div中，
然而，我们利用之前的方法进行会发现最后得到的list为空，那么我们检查一下源代码，好不容易找到了意料之中的标签id，但是我们惊奇的发现，里面什么都没有呀：
好气呀！~可是对于渴望获取想要的数据的决心，我们当然要有一探究竟的耐心的啦~经过多种方式，我们肯定会了解到这是ajax在捣鬼，ajax 是一种用于创建快速动态网页的技术。 这种技术使我们可以通过在后台与服务器进行少量数据交换，从而使网页实现异步更新。这意味着可以在不重新加载整个网页的情况下，浏览器可以对网页的某部分进行更新。
此时想要获取数据，就要考虑它是通过什么传递新的信息给我们。
实际就是python对动态网页、异步加载的爬取。
————————————————————————————————真^分界线
以上引出本文的主题。
正文
一、方法分析
其实任何动态产生的内容，要么是本地计算，要么是从服务器获取的。前者看js，后者需要抓包。而后者经常配上各种参数加密，不过既然浏览器能正确发送参数，那么就证明肯定有办法模拟（当然不容易）。如果有能力，模拟发包。如果嫌麻烦，用现成的包来模拟操作浏览器。
那么通常来讲，获取动态数据有两种思路或者说是方法：
1. 分析页面请求 2. 利用selenium模拟浏览器行为或其他抓包工具直接获取（比较暴力有没有）
效率最高的就是分析出请求数据的url 一般都可以 而selenium 实在没辙的时候再用。
本篇文章也仅对第一种方法进行介绍（当然是要实货，不动手是没有用滴），若之后几天仍然很闲，会继续介绍下一种方法
二、开始战斗（目标：股票|上海证券交易所）
说了半天，总算要开始了。一年之计在于春，一天之计在于晨。
我们起码要先确定一个方向，看了一下目标页面：
有用的就是公司代码，公司简称，a股代码，a股简称以及a股总资本和a股流通资本这几项。
所以我们的目标就是爬它30页，这些信息全部都要。
三、寻找数据位置
还是以前的基本思路，首先在页面找准数据位置检查，找到标签所在位置，在前言中我们大概也有了些许经验，这时我们试探地打开源代码，这次看到什么都没有似乎也不那么生气了~
接下来是没有介绍过的东西！！即分析出ajax加载出的文件是哪一个：
如图，在开发者工具network中的js中分析，如果感觉实在太多文件不好分析，那么我们发现上面有上市a股点击会小范围刷新的现象，最终可以完全明确目标
这样一来，我们可以说是完成了一半了（其他如果轻车熟路就基本没有什么了）
下一步就是打开目标验证一下有没有我们需要的数据
what？？？？这又是啥情况
嘿嘿，这真的心里又是一惊，403码表示什么呢，就是我们没有权限浏览目标地址。这是网站的自我保护行为。
那咋办呢？我们没有权限啊，可是我们在自己原来的页面不是可以获取这些的嘛！
所以，这里就用到了让我们的虫去模拟人的操作。在前篇一笔带过，其实就是通过修改request-headers中cookie，user-agent，referer等信息来使我们的访问请求就像是真人访问一般。而需要修改的内容可以在headers中查看：
则可保存如下：
headers={‘cookie’:’yfx_c_g_u_id_10000042=_ck18012900250116338392357618947; visited_menu=%5b%228528%22%5d; yfx_f_l_v_t_10000042=f_t_1517156701630__r_t_1517314287296__v_t_1517320502571__r_c_2′,
‘user-agent’:’mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/64.0.3282.119 safari/537.36′,
‘referer’:’http://www.sse.com.cn/assortment/stock/list/share/’
}
通常包含这三个元素即足以证明是‘人’。这样我们已经可以找的到数据了。
四、处理分析数据（将数据json格式化并解析json）
好了，数据找到了，并且我们可以在开发者工具preview中看到，数据储存为json格式（json格式的数据本质上是一种被格式化了的字符串，遵循一定的语法规则），现在我们先按照原来的方法先利用requests先获取到数据：
import requests
url=’http://query.sse.com.cn/security/stock/getstocklistdata2.do?&jsoncallback=jsonpcallback99887&ispagination=true&stockcode=&csrccode=&areaname=&stocktype=1&pagehelp.cachesize=1&pagehelp.beginpage=1&pagehelp.pagesize=25&pagehelp.pageno=1&_=1517320503161′
response=requests.get(url,headers=headers) #注意，这一步即将我们‘人’的信息传入请求中
那么，下一步就要获取目标中的json数据，此时我们将开发者工具中response复制后，粘贴到json在线解析及格式化验证验证是否是格式化的标准json数据。
检验后发现结果出错
那么我们就需要分析哪里语法有问题，此处不过多赘述，直接贴出删除和添加的部分：
删除部分：开头的以及结尾的
添加部分：添加至开头，并在结尾添加‘}’即可看到解析出的json结构：
好了，到这里数据json格式化也基本完成。而在解析时，我们需要用到python自带的json库以及jsonpath第三方库（若是windows系统直接在cmd输入pip install jsonpath 即可安装）：
import json
from jsonpath import jsonpath #从jsonpath库中导入jsonpath方法
json_str='{“content”:’+response.text[19:-1]+’}’ #即将我们刚才分析出的结果进行格式化
unicodestr=json.loads(json_str) #json的loads()方法用于将json的字符串转换成python默认的unicode字符串，还有一个dumps()方法是将python对象转换成json字符串，其中的转换之间的关系不再赘述，有兴趣自行查阅相关资料
接下来就是通过jsonpath寻找我们需要的数据（类似于之前的soup.select（）寻找的思想，但是这里是基于jsonpath的查询）
通过分析两个，我们可以轻易地发现其规律性，而jsonpath的使用可以参照jsonpath的简单入门，或者自行查阅官方文档。
由于a股中a股名称代码与公司名称代码均一致，故：
company_code=jsonpath(a,’$..pagehelp..company_code’)#公司/a股代码
company_abbr=jsonpath(a,’$..pagehelp..company_abbr’)#公司/a股简称
totalshares=jsonpath(a,”$..pagehelp..totalshares”) #a股总资本
totalflowshares=jsonpath(a,’$
..pagehelp..totalflowshares’) #a股流动资本
至此，解析数据也完成了。
五、整理打印数据
print(‘公司/a股代码’,’\t’,’公司/a股简称’,’\t’,’a股总资本’,’\t’,’a股流动资本’)
l1=list()
l2=list()
l3=list()
l4=list()
for x in company_code:
l1.append(x)
for x in company_abbr:
l2.append(x)
for x in totalshares:
l3.append(x)
for x in totalflowshares:
l4.append(x)
#由于同时解四个包太过复杂，python不干，故拆分开来
x=0
while(x<len(l1)):
print(l1[x],’\t’,’\t’,l2[x],’\t’,’\t’,l3[x],’\t’,’\t’,l4[x])
x+=1
这样我们就爬下一页了：经验证无误。
六、扩大战果（儿时吹的牛皮还是要补的）
前面夸下海口要抓30页，怎么就能没有了呢？其实后面已经基本没有什么了，有兴趣的朋友可以和我一起补补课。
感觉内容有些多，我在这里简单描述思路，就是我们要分析第一页第二页第三页等之间的目标数据地址的url的相似之处，或者说其中的规律，比如：
第二页：
http://query.sse.com.cn/security/stock/getstocklistdata2.do?&jsoncallback=jsonpcallback46762&ispagination=true&stockcode=&csrccode=&areaname=&stocktype=1&pagehelp.cachesize=1&pagehelp.beginpage=2&pagehelp.pagesize=25&pagehelp.pageno=2&pagehelp.endpage=21&_=1517320503162
第三页：
http://query.sse.com.cn/security/stock/getstocklistdata2.do?&jsoncallback=jsonpcallback61233&ispagination=true&stockcode=&csrccode=&areaname=&stocktype=1&pagehelp.cachesize=1&pagehelp.beginpage=3&pagehelp.pagesize=25&pagehelp.pageno=3&pagehelp.endpage=31&_=1517320503163
很轻松就可以对比出不同和相似之处，可以说仅仅在个别关键字部分进行了修改。
故提取三十页的代码，以及之前的各种步骤，我们可以封装到函数以便调取使用：
def find_pagea(c): #根据传递参数c（提取的页数）来选择目标url地址
return ‘http://query.sse.com.cn/security/stock/getstocklistdata2.do?&jsoncallback=jsonpcallback13897&ispagination=true&stockcode=&csrccode=&areaname=&stocktype=1&pagehelp.cachesize=1&pagehelp.beginpage=’+str(c)+’&pagehelp.pagesize=25&pagehelp.pageno=’+str(c)+’&pagehelp.endpage=’+str(c)+’1&_=151731428806’+str(c)
def datascreena(a):#封装解析输出的部分
company_code=jsonpath(a,’$..pagehelp..company_code’)
company_abbr=jsonpath(a,’$..pagehelp..company_abbr’)
totalshares=jsonpath(a,”$..pagehelp..totalshares”)
totalflowshares=jsonpath(a,’$..pagehelp..totalflowshares’)
print(‘公司/a股代码’,’\t’,’公司/a股简称’,’\t’,’a股总资本’,’\t’,’a股流动资本’)
l1=list()
l2=list()
l3=list()
l4=list()
for x in company_code:
l1.append(x)
for x in company_abbr:
l2.append(x)
for x in totalshares:
l3.append(x)
for x in totalflowshares:
l4.append(x)
x=0
while(x<len(l1)):
print(l1[x],’\t’,’\t’,l2[x],’\t’,’\t’,l3[x],’\t’,’\t’,l4[x])
x+=1
def collect_30_pagesa():#调取30页，相当于主函数
c=1
while(c<31):
time.sleep(2)
print(‘第’, c, ‘页:’)
response=requests.get(find_pagea(c),headers=headers)
a='{“content”:’+response.text[19:-1]+’}’
b=json.loads(a)
datascreena(b)
c+=1
终结
不知不觉写了这么多，真的是闲的太慌了。其实除了a股还有b股，有兴趣也可以继续爬下去，虽然我不知道有什么价值目前……另外就是前言部分的爬取也可以尝试一下，可能会发现那个文件中的数据又是从其他地方获取的……恕我能力有限，原理不是特别清晰，故而没有深入讲解那个，望各位指教。当然暴力破解是可行的，但是……又不着急干啥能不用就不用呗，^_^。
————————————————
版权声明：本文为csdn博主「如梦如幻似清茶」的原创文章，遵循 cc 4.0 by-sa 版权协议，转载请附上原文出处链接及本声明。
