pyspider 爬蟲教程（2）：AJAX 和 HTTP
AJAX
AJAX 是 Asynchronous JavaScript and XML（非同步的 JavaScript 和 XML）的縮寫。AJAX 通過使用原有的 web 標準組件，實現了在不重新載入整個頁面的情況下，與伺服器進行資料互動。例如在新浪微博中，你可以展開一條微博的評論，而不需要重新載入，或者開啟一個新的頁面。但是這些內容並不是一開始就在頁面中的（這樣頁面就太大了），而是在你點選的時候被載入進來的。這就導致了你抓取這個頁面的時候，並不能獲得這些評論資訊（因為你沒有『展開』）。
AJAX 的一種常見用法是使用 AJAX 載入 JSON 資料，然後在瀏覽器端渲染。如果能直接抓取到
當一個網站使用了 AJAX 的時候，除了用 pyspider 抓取到的頁面和瀏覽器看到的不同以外。你在瀏覽器中開啟這樣的頁面，或者點選『展開』的時候，常常會看到『載入中』或者類似的圖示/動畫。例如，當你嘗試抓取：http://movie.douban.com/explore
你會發現電影是『載入中…』
找到真實的請求
由於 AJAX 實際上也是通過 HTTP 傳輸資料的，所以我們可以通過 Chrome Developer Tools 找到真實的請求，直接發起真實請求的抓取就可以獲得資料了。
- 開啟一個新視窗
- 按
Ctrl+Shift+I(在 Mac 上請按Cmd+Opt+I) 開啟開發者工具。 - 切換到網路（ Netwotk 面板）
在頁面載入的過程中，你會在面板中看到所有的資源請求。
AJAX 一般是通過 XMLHttpRequest 物件介面傳送請求的，XMLHttpRequest 一般被縮寫為 XHR。點選網路面板上漏斗形的過濾按鈕，過濾出 XHR 請求。挨個檢視每個請求，通過訪問路徑和預覽，找到包含資訊的請求：http://movie.douban.com/j/searchX61Xsubjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0
在豆瓣這個例子中，XHR 請求並不多，可以挨個檢視來確認。但在 XHR 請求較多的時候，可能需要結合觸發動作的時間，請求的路徑等資訊幫助在大量的請求中找到包含資訊的關鍵請求。這需要抓取或者前端的相關經驗。所以，有一個我一直在提的觀點，學習抓取的最好方法是：學會寫網站。
現在可以在新視窗中開啟 http://movie.douban.com/j/searchX67Xsubjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0，你會看到包含電影資料的 JSON 原始資料。推薦安裝 JSONView（Firfox版）外掛，這樣可以看到更好看的 JSON 格式，展開摺疊列等功能。然後，我們根據 JSON 資料，編寫一個提取電影名和評分的指令碼：
|
1 2 3 4 5 6 7 8 9 10 11 12 |
class Handler(BaseHandler): def on_start(self): self.crawl('http://movie.douban.com/j/search_subjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0', callback=self.json_parser) def json_parser(self, response): return [{ "title": x['title'], "rate": x['rate'], "url": x['url'] } for x in response.json['subjects']] |
- 你可以使用
response.json將結果轉為一個 python 的dict物件
HTTP
HTTP 是用來傳輸網頁內容的協議。在前面的教程中，我們已經通過 self.crawl 介面提交了 URL 進行了抓取。這些抓取就是通過 HTTP 協議傳輸的。
在抓取過程中，你可能會遇到類似 403 Forbidden，或者需要登入的情況，這時候你就需要正確的 HTTP 引數進行抓取了。
|
1 2 3 4 5 6 7 8 9 10 11 12 |
GET / HTTP/1.1 Host: example.com Connection: keep-alive Cache-Control: max-age=0 Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8 User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/40.0.2214.45 Safari/537.36 Referer: http://en.wikipedia.org/wiki/Example.com Accept-Encoding: gzip, deflate, sdch Accept-Language: zh-CN,zh;q=0.8 If-None-Match: "359670651" If-Modified-Since: Fri, 09 Aug 2013 23:54:35 GMT |
- 請求的第一行包含
method,path和 HTTP 協議的版本資訊- 餘下的行被稱為 header，是以
key: value的形式呈現的- 如果是 POST 請求，在請求結尾可能還會有
body內容
在大多數時候，使用正確的 method, path, headers 和 body 總是能抓取到你需要的資訊的。
HTTP Method
HTTP Method 告訴伺服器對 URL 資源期望進行的操作。例如在開啟一個 URL 的時候使用的是 GET 方式，而在提交資料的時候一般使用 POST。
TODO： need example here
HTTP Headers
HTTP Headers 是請求所帶的一個引數列表，你可以在 這裡 找到完整的常用 Headers 列表。一些常用的需要注意的有：
User-Agent
UA 是標識你使用的瀏覽器，或抓取程式的一段字串。pyspider 使用的預設 UA 是 pyspider/VERSION (+http://pyspider.org/)。網站常用這個字串來區分使用者的作業系統和瀏覽器，以及判斷對方是否是爬蟲。所以在抓取的時候，常常會對 UA 進行偽裝。
在 pyspider 中，你可以通過 self.crawl(URL, headers={'User-Agent': 'pyspider'})，或者是 crawl_config = {'headers': {'User-Agent': 'xxxx'}} 來指定指令碼級別的 UA。詳細請檢視 API 文件。
Referer
Referer 用於告訴伺服器，你訪問的上一個網頁是什麼。常常被用於防盜鏈，在抓取圖片的時候可能會用到。
X-Requested-With
當使用 XHR 傳送 AJAX 請求時會帶上的 Header，常被用於判斷是不是 AJAX 請求。例如在 北郵人論壇 中，你需要：
|
1 2 3 4 5 |
def on_start(self): self.crawl('http://bbs.byr.cn/board/Python', headers={'X-Requested-With': 'XMLHttpRequest'}, callback=self.index_page) |
帶有 headers={'X-Requested-With': 'XMLHttpRequest'} 才能抓取到內容。
HTTP Cookie
雖然 Cookie 只是 HTTP Header 中的一個，但是因為非常重要，但是拿出來說一下。Cookie 被 HTTP 請求用來區分、追蹤使用者的身份，當你在一個網站登入的時候，就是通過寫入 Cookie 欄位來記錄登入狀態的。
當遇到需要登入的網站，你需要通過設定 Cookie 引數，來請求需要登入的內容。Cookie 可以通過開發者工具的請求面板，或者是資源面板中獲得。在 pyspider 中，你也可以使用 response.cookies 獲得返回的 cookie，並使用 self.crawl(URL, cookie={'key': 'value'}) 來設定請求的 Cookie 引數。