对于无法直接获取URL的数据爬虫

news/2024/7/19 8:41:34 标签: 爬虫

在爬学校安全教育题库的时候发现题库分页实际上执行了一段js代码，如下图所示在这里插入图片描述

点击下一页时是执行了函数doPostBack，查看页面源码如下

点击下一页后这段js提交了一个表单，随后后端返回对应数据，一开始尝试分析获取对应两个参数，封装在data中通过POST请求获得新的一页，后面尝试了很久始终不成功…（肯定是因为太菜）

没办法只能使用神器selenium，缺点是要调用浏览器，肯定是比较慢的，但是python直接给你模拟浏览器的各种操作，而且不用抓包分析，比较方便。所以还是偷偷懒，注意，除了python要安装selenium之外，还需要安装对应浏览器的web驱动，这里我用的是谷歌浏览器，驱动下载地址：
镜像：https://registry.npmmirror.com/binary.html?path=chromedriver/
如果你谷歌版本新，镜像上可能没有对应版本。
官网：https://sites.google.com/chromium.org/driver/downloads（117以上在这里找：这里~）

下载好后就是正常的爬虫步骤，直接看代码吧：

import docx
from selenium import webdriver
import html2text
import time

idx = [4, 5, 9, 10, 11, 13, 14, 15, 16]
srcsel = 'xxxx/Web/userSingle.aspx?ID='  # 选择题
srcjg = 'xxxx/Web/userIs.aspx?ID='  # 判断题


def remove_tags(text):
    h = html2text.HTML2Text()
    h.ignore_links = True
    return h.handle(text)


def process(url):
    driver = webdriver.Chrome()
    driver.get(url)
    res = driver.find_element("id", 'GridViewx').get_attribute('innerHTML')
    res = remove_tags(res)
    doc.add_paragraph().add_run(res)
    pages = int(driver.find_element("id", 'GridViewx_ctl13_lblPageCount').text)
    # pages = 2
    for i in range(pages - 1):
        time.sleep(1.5)
        driver.find_element("id", 'GridViewx_ctl13_btnNext').click()
        res = driver.find_element("id", 'GridViewx').get_attribute('innerHTML')
        res = remove_tags(res)
        doc.add_paragraph().add_run(res)
    driver.quit()


doc = docx.Document('res.docx')
for pid in idx:
    process(srcsel + str(pid))
    time.sleep(3)
    process(srcjg + str(pid))
doc.save('res.docx')