内容简介:1.效果图2.传送门点击传送门3.发工具之后,往下滑时会出现一个接口(当然滑的越多接口越多)
1.效果图
2.传送门点击传送门
3.发 工具 之后,往下滑时会出现一个接口(当然滑的越多接口越多)
4.我们通过对比两个及以上的接口进行分析它们的不同之处(这叫找规律) 可以发现max_id是在变化的,其他都是不变的,而且count是返回的文章数目有15个,所以max_id只要自增15就可以实现翻页了,是不是很简单
5.我们可以这么写代码实现翻页(这代码只是举例子怎么写翻页,不代表最终的代码),这里我取max_id开始的地方是20333000(小伙伴们可以自己去找一下max_id的有效范围),如下
max_id = 20333000 while True: # 请求的url url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id={}&count=15&category=-1'.format(max_id) # 返回来的数据是json格式 resp = requests.get(url, headers=headers).json() max_id += 15 复制代码
6.接下来分析一下返回来的数据,以便我们进行抓取,通过下图我们可以发现每一篇文章都是存储在列表这个键当中的,所以我们先取出list这个键
代码如下:
# 我们需要的数据存在一个列表之中,先取出这个列表 lists = resp.get('list') 复制代码
7.再看每一篇文章的信息,将data的信息复制粘贴到json.cn这个网站去查看json的信息,可以发在data中取出我们需要的信息
for temp in lists: # 数据在每一个元素中的data键中,取出data data = temp.get('data') # 取出来的data是一个str类型,我们需要将其转换成dict的类型方可操作 data = json.loads(data) # 判断data是否存在 if data: # 获取文章的题目 title = data.get('title') # 如果没有题目,就continue,因为通过我的观察,没有title的一般是广告之类的 if not title: continue # 获取摘要 description = data.get('description') # 数据清洗,使用正则表达式的sub方法 description = re.sub(r'<a.*?>|</a>|<img.*?/>', '', description) # 获取用户的信息,用户的信息在data里边的user键中 user_name = data.get('user').get('screen_name') # 获取是什么类型的文章 column = temp.get('column') # 获取发表的时间戳 created_at = data.get('created_at') # 获取阅读人数 view_count = data.get('view_count') # 声明一个字典存储数据 data_dict = {} data_dict['title'] = title data_dict['description'] = description data_dict['user_name'] = user_name data_dict['column'] = column data_dict['created_at'] = created_at data_dict['view_count'] = view_count print(data_dict) 复制代码
8.最后就是将数据保存到文件中,其中data_list是我在前面一开始就声明的了
# 将数据写入json文件 with open('data_json.json', 'a+', encoding='utf-8-sig') as f: json.dump(data_list, f, ensure_ascii=False, indent=4) print('json文件写入完成') # 将数据写入csv文件 with open('data_csv.csv', 'w', encoding='utf-8-sig', newline='') as f: # 表头 title = data_list[0].keys() # 声明writer writer = csv.DictWriter(f, title) # 写入表头 writer.writeheader() # 批量写入数据 writer.writerows(data_list) print('csv文件写入完成') 复制代码
9.完整代码
完整代码公众号回复'雪球网'关键字即可
公众号:pythonislover
记得要设置延迟噢,我们是一只文明的爬虫~~~ 忘了说了,cookie会过期,需要及时更新cookie
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- Docker 在雪球的技术实践
- 使用容器的正确方式,Docker在雪球的技术实践
- 防止网页被其他网页iframe嵌套的思考与实现
- 响应式网页设计–css设置网页字体大小自适应
- R网页采集:解决网页分页与网址超链接问题
- 网页制作用什么软件?制作网页的常用软件工具分享
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。