一、 分析:
抓取动态页面js加载的人民日报里面的新闻详情 https://wap.peopleapp.com/news/1
先打开,然后查看网页源码,发现是一堆js,并没有具体的每个新闻的url详情,于是第一反应,肯定是js动态加载拼接的url。然后接着按f12 查看,就看url,发现出来了好多url。
然后点击具体的某一个新闻详情页面,查看url,把这个url的 后面两个数字其中一个拿到访问主页的时候,f12 抓包结果里面去查找,发现一个url,点击这个url,发现preview里面有好多数据,我第一反应,肯定是每个新闻数据了。看到这些数据里面有两个ID,联想到刚刚访问具体新闻详情页面也有两个数字,肯定,具体新闻页面肯定是 https://wap.peopleapp.com/article 加上两个ID形成的。于是试了一下拼接一个url访问,果然是。于是乎只要抓到这个url,就能获取到每个新闻的详情页了。
python3 selenium + fiddler 爬取动态js页面数据
python3 selenium + fiddler 爬取动态js页面数据
python3 selenium + fiddler 爬取动态js页面数据
但这个抓到的url只加载了10条,我于是想改改里面的 show_num值,发现请求失败,仔细看这个url,有个securitykey 这个应该是js根据具体算法算出来的,看了一下那个拼接成url的js,发现看着有点头大,算了,只要我能一直抓这类url就行了
https://app.peopleapp.com/WapApi/610/HomeApi/getContentList?category_id=1&refresh_time=0&show_num=10&page=1&securitykey=ee9bad0d112f882403f5b9f4dc2266a0&interface_code=610

发现只要我页面往下翻,就会新加载一条,于是我只要能解决两个问题:
1.往下翻页的问题,让这个数据url给加载出来
2.把这个url抓取到日志里面利用脚本访问,就能获取到数据了

查看了网上一些文档,最后决定用 python 的 selenium 这个模块,它是程序打开本地的浏览器进行操作,它里面有个方法execute_script('window.scrollTo(0, document.body.scrollHeight)') 就是下翻页的,利用这个就能一直把后面的 那个数据url给加载出来了。
第二个就是解决把这个数据url给抓出来,我就用fiddler来进行抓包(这里抓包工具,根据你们自己的选择,推荐一个:mitmproxy,这也是抓包神器,可以定制化抓包,比较方便,具体操作请百度、google)
我这里用fiddler,经常用这个,用着习惯。

二、使用fiddler进行抓包写入日志
1.fiddler 导出证书到浏览器
1.1.打开 tools-options
python3 selenium + fiddler 爬取动态js页面数据

1.2.点击https-> actions -> export root certificate to desktop
python3 selenium + fiddler 爬取动态js页面数据
1.3.打开浏览器(以火狐为例)

python3 selenium + fiddler 爬取动态js页面数据
1.4.直接搜索”证书”,点击查看证书
python3 selenium + fiddler 爬取动态js页面数据

1.5.点击导入—选择刚才从fiddler导出的证书即可
python3 selenium + fiddler 爬取动态js页面数据

1.6.设置fiddler代理
打开 tools-> options -> connections
设置端口,默认8888
python3 selenium + fiddler 爬取动态js页面数据

1.7.设置火狐浏览器去连接fiddler代理
找到网络设置,打开后,点击手动代理配置,填写ip,端口,勾选”为所有协议使用相同的代理服务器”
python3 selenium + fiddler 爬取动态js页面数据
python3 selenium + fiddler 爬取动态js页面数据
最后找一个https验证访问即可

fiddler 过滤(对动态抓取,可不设置,扩展学习)
参考:
https://www.cnblogs.com/sjl179947253/p/7627250.html

1.8. 打开 FiddlerScript,查找OnBeforeResponse 方法写入脚本
if (oSession.HostnameIs("app.peopleapp.com") && oSession.uriContains("getContentList")){
var filename = "F:/logs/fiddler.log";
var curDate = new Date();
var logContent = "https://app.peopleapp.com" + oSession.PathAndQuery + "\r\n";
var sw : System.IO.StreamWriter;
if (System.IO.File.Exists(filename)){
sw = System.IO.File.AppendText(filename);
sw.Write(logContent);
}
else{
sw = System.IO.File.CreateText(filename);
sw.Write(logContent);
}
sw.Close();
sw.Dispose();
}

python3 selenium + fiddler 爬取动态js页面数据
python3 selenium + fiddler 爬取动态js页面数据

三、 python 脚本读取fiddler日志,对最新的url进行获取内容,提取id拼接成新的新闻详情url

  1. 准备工作:
    我这里用的是python3 先pip3 install selenium 安装模块

然后下载浏览器驱动,这下面有两个,google根据对应浏览器版本下载,firefox根据系统类型下载即可
#google 浏览器驱动下载地址 http://npm.taobao.org/mirrors/chromedriver/
#firefox 浏览器驱动下载地址 https://github.com/mozilla/geckodriver/releases/

  1. 最后贴上脚本
  2. from selenium import webdriver
    import time
    import requests as r
    import re
    import json

#获取具体的新闻url,并写入文本
def get_news_url(search_time):
#打开日志文件
file = open("F:/logs/fiddler.log","r")
#最新一条url
file_msg = file.readlines()
#判断fiddler里面是否有url内容,若读取的内容列表等于0,则表示无内容
if len(file_msg) == 0:
return "continue"
#读取数组内容最后一位,即为最新的url
url = file_msg[-1].strip("\n")
print(url.strip("\n"))
file.close()
headers = {
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8,application/signed-exchange;v=b3",
"Accept-Encoding": "gzip, deflate, br",
"Accept-Language": "zh-CN,zh;q=0.9",
"Cache-Control": "no-cache",
"Connection": "keep-alive",
"Cookie": "acw_tc=2760826c15644797526864019e11da63f32bf5b082a7da38667809b95819f3; SERVERID=f858eac9d6463aa503ba25948984ceb0|1564566072|1564566072",
"Host": "app.peopleapp.com",
"Pragma": "no-cache",
"Upgrade-Insecure-Requests": "1",
"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"
}
#获取抓包的最新url数据
html = r.get(url,headers=headers).text
#转换成json
json_html = json.loads(html)
#获取json的data数据
news_data_li = json_html["data"]
#写入文件
news_file = open("F:/logs/news.log","a")
#循环data数据,提取两个id,拼接成url,写入日志文件(这里可以根据实际情况,如对拼接成的url进行判断 分成具体的每个月进行写入日志等)
for news in news_data_li:
id = news["id"]
articleid = news["articleid"]
news_url = "https://wap.peopleapp.com/article/" + id + "/" + articleid
print(news_url)
news_file.write(news_url + "\n")
news_file.close()
#这一步只是用来控制的获取数据的时间,若传入的时间在数据内,则返回stop,停止,比如 只搜索 201904到现在的,就传入201904即可,这里根据具体需求改改就行
search_result = re.search(search_time,html)
if search_result is None:
return "continue"
else:
return "stop"

#爬取动态页面url
#google 浏览器驱动下载地址 http://npm.taobao.org/mirrors/chromedriver/
#firefox 浏览器驱动下载地址 https://github.com/mozilla/geckodriver/releases/
#browser = webdriver.Chrome(executable_path="D:\python37\chromedriver_win32\chromedriver.exe")
#加载具体的浏览器驱动
browser = webdriver.Firefox(executable_path="D:\python37\geckodriver-v0.24.0-win64\geckodriver.exe")
#设置浏览器需要访问的url
browser.get("https://wap.peopleapp.com/news/1")
#循环操作浏览器往下翻页
while True:
#翻页脚本
browser.execute_script('window.scrollTo(0, document.body.scrollHeight)')
#翻页后,暂停1秒
time.sleep(1)
#调用获取具体详情新闻页的url
results = get_news_url("201907")
#判断结果是否停止
if results == "stop":
browser.quit()
break