python爬虫 - 爬取html中的script数据（爬取 zum.com新闻）

文章目录

1. 分析页面内容数据格式
2. 使用re.findall方法，编写爬虫代码
3. 使用re.search 方法，编写爬虫代码

1. 分析页面内容数据格式

（1）打开 https://zum.com/

（2）按F12（或在网页上右键 --> 检查（Inspect））

（3）找到网页上的Network（网络）部分

（4）鼠标点击网页页面，按 Ctrl + R 刷新网页页面，可以看到 NetWork（网络）部分会刷新出很多的网络信息

（5）在Name 列，找到 zum.com 条目，右侧自动显示网页的相关内容：Headers, Preview, Response … …

（6）分析Response内容，所需要关心的内容，位于整个html页面的下面

在这里插入图片描述

2. 使用re.findall方法，编写爬虫代码

要点：从window.INITIAL_STATE=到;之间的数据都是json数据。 json.loads会自动将false转为False, true转为True


import re
import requests
import json


url = "https://zum.com/"
response = requests.get(url)
str1 = response.content.decode()

result = re.findall(r"window\.__INITIAL_STATE__=(.*?}});", str1)  

json_result = json.loads(result[0])
print(f"json_result = [{json_result}]")

print(f'data.fetchedCommonResponse  = {json_result["fetchedCommonResponse"]}')
print(f'data.isDarkTheme                       = {json_result["isDarkTheme"]}')

for item in json_result["headerStore"]["gnb"]["gnbItems"]:
    print(f'idx = {item["idx"]}, '
          f'title = {item["title"]} ')

运行结果：

在这里插入图片描述

使用工具格式化后数据内容：

在这里插入图片描述

3. 使用re.search 方法，编写爬虫代码

要点：从window.INITIAL_STATE=到;之间的数据都是json数据。 json.loads会自动将false转为False, true转为True


import re
import json
import requests

url = "https://zum.com/"
html_doc = requests.get(url).text

data = re.search(r"window\.__INITIAL_STATE__=(.*?}});", html_doc)
print(f"data = {data}")

data = json.loads(data.group(1))
print(data)

# pretty print the data:
print(json.dumps(data, indent=4))

print(f'data.fetchedCommonResponse        = {data["fetchedCommonResponse"]}')
print(f'data.isDarkTheme                  = {data["isDarkTheme"]}')

for item in data["headerStore"]["gnb"]["gnbItems"]:
    print(f'idx = {item["idx"]}, '
          f'title = {item["title"]} ')

运行结果如下，其中 json.dumps() 对数据格式进行了美化：

在这里插入图片描述