小编典典

如何正确使用机械化刮AJAX网站

json

因此,我对网络抓取还很陌生。该站点上有一个表,该表的值由Javascript控制。这些值将确定告诉我的浏览器从Javascript请求的将来值的地址。这些新页面具有JSON响应,脚本会使用该JSON更新浏览器中的表。

因此,我想用一个机械化的方法来构建一个类,该方法接受一个url并吐出主体响应,而对于HTML而言,这是第一次,对于其余的迭代,主体响应将为JSON。

我有一些有效的方法,但是我想知道我是否做对了或者是否有更好的方法。

class urlMaintain2:    
    def __init__(self):

        self.first_append = 0
        self.response = ''

    def pageResponse(self,url):
        import mechanize
        import cookielib

        br = mechanize.Browser()

        #Cookie Jar
        cj = cookielib.LWPCookieJar()
        br.set_cookiejar(cj)

        #Browser options
        br.set_handle_equiv(True)
        br.set_handle_gzip(False)
        br.set_handle_redirect(True)
        br.set_handle_referer(True)
        br.set_handle_robots(False)

        br.set_handle_refresh(mechanize._http.HTTPRefreshProcessor(), max_time=1)

        br.addheaders = [('User-agent','Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.2.16) Gecko/20110319 Firefox/3.6.16'),
                              ('Accept-Encoding','gzip')]
        if self.first_append == 1:
            br.addheaders.append(['Accept', ' application/json, text/javascript, */*'])
            br.addheaders.append(['Content-Type', 'application/x-www-form-urlencoded; charset=UTF-8'])
            br.addheaders.append(['X-Requested-With', 'XMLHttpRequest'])
            br.addheaders.append(['User-agent','Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.2.16) Gecko/20110319 Firefox/3.6.16'])
            br.addheaders.append(['If-Modified-Since', 'Thu, 1 Jan 1970 00:00:00 GMT'])
            cj.add_cookie_header(br)

        response = br.open(url)
        headers = response.info()

        if headers['Content-Encoding']=='gzip':
            import gzip
            gz = gzip.GzipFile(fileobj=response, mode='rb')
            html = gz.read()
            gz.close()
            headers["Content-type"] = "text/html; charset=utf-8"
            response.set_data(html)
        br.close()
        return response

从主页html提取数据后,self.first_append变为正数,因此br.addheaders.append不会第一次运行,因为主体响应中没有JSON,但其他主体响应均为JSON
。这是正确的方法吗?有没有更有效的方法?

从主页html提取数据后,self.first_append变为正数,因此br.addheaders.append不会第一次运行,因为主体响应中没有JSON,但其他主体响应均为JSON
。这是正确的方法吗?有没有更有效的方法?还有其他语言/图书馆可以做得更好吗?

长时间运行后,我收到以下错误消息:

File "C:\Users\Donkey\My Documents\Aptana Studio Workspace\UrlMaintain2\src\UrlMaintain2.py", line 55, in pageResponse response = br.open(url) 
File "C:\Python27\lib\mechanize_mechanize.py", line 203, in open return self._mech_open(url, data, timeout=timeout) 
File "C:\Python27\lib\mechanize_mechanize.py", line 230, in _mech_open response = UserAgentBase.open(self, request, data) 
File "C:\Python27\lib\mechanize_opener.py", line 193, in open response = urlopen(self, req, data) 
File "C:\Python27\lib\mechanize_urllib2_fork.py", line 344, in _open '_open', req) File "C:\Python27\lib\mechanize_urllib2_fork.py", line 332, in _call_chain result = func(*args) 
File "C:\Python27\lib\mechanize_urllib2_fork.py", line 1142, in http_open return self.do_open(httplib.HTTPConnection, req) 
File "C:\Python27\lib\mechanize_urllib2_fork.py", line 1118, in do_open raise URLError(err) urllib2.URLError:

我有点迷失了自己,不知道为什么会生成它,但是我需要经过大量的迭代才能看到它。


阅读 42

收藏
2020-07-27

共1个答案

小编典典

mechanize常见问题解答
“ mechanize不提供对JavaScript的任何支持”开始,然后详细说明了您的选择(选择不是很好)。

如果您有工作的话,那很好,但是使用硒webdriver是比机械化更好的刮除ajax网站的解决方案

2020-07-27