一般情况下，写爬虫怎么抓取 AJAX 这种动态网页？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 3909 天前的主题，其中的信息可能已经有所发展或是发生改变。

比如，我想写个爬虫登录北邮人论坛，地址： http://bbs.byr.cn/

我抓包发现登录地址为： http://bbs.byr.cn/user/ajax_login.json

为什么这个登录地址状态码为200，但是网页打开后是空白？

如果我想爬虫登录此网站，应该怎么处理？

不会JS/AJAX，需要学的比较多，谢谢。

爬虫

ajax

23 条回复 • 2014-06-11 21:38:53 +08:00

inaction

2014-04-08 23:28:46 +08:00

先登录，导出 cookie，将cookie附在请求中，再继续抓取。

LetFoxRun

2014-04-08 23:34:48 +08:00

@inaction 你好，谢谢。普通的网站（未使用AJAX等技术的），我知道怎么登录，表单+Cookie基本上就可以了，但是我看BYR论坛里的登录地址（ http://bbs.byr.cn/user/ajax_login.json）打开是空白的，但是之前未使用AJAX的网页打开不是空白的，这个登录方法一样吗？

感谢已发送。

FreDom

2014-04-08 23:47:41 +08:00

@LetFoxRun 地址请求返回404,看来是对请求进行了ajax请求判断，你觉得你可以修改一下报头，模拟ajax请求就好了

2014-04-09 00:00:07 +08:00

直接POST登录就可以了
POST http://bbs.byr.cn/user/ajax_login.json
不是GET请求
复制一段header来看看

POST /user/ajax_login.json HTTP/1.1
这里写的比较清楚了 POST过去
Host: bbs.byr.cn
Connection: keep-alive
Content-Length: 37
Accept: application/json, text/javascript, */*; q=0.01
Origin: http://bbs.byr.cn
X-Requested-With: XMLHttpRequest
User-Agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.154 Safari/537.36
Content-Type: application/x-www-form-urlencoded; charset=UTF-8
DNT: 1
Referer: http://bbs.byr.cn/index
Accept-Encoding: gzip,deflate,sdch
Accept-Language: zh-CN,zh;q=0.8,en;q=0.6,zh-TW;q=0.4,ja;q=0.2,nl;q=0.2
Cookie: nforum[UTMPUSERID]=guest; nforum[UTMPKEY]=7346893; nforum[UTMPNUM]=23586; __utma=217424581.1890372499.1396972428.1396972428.1396972428.1; __utmb=217424581.1.10.1396972428; __utmc=217424581; __utmz=217424581.1396972428.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); login-user=1

参数为：id=XXXX&passwd=XXXX&mode=XX&CookieDate=XX

LetFoxRun

2014-04-09 00:13:27 +08:00

@sb 非常感谢，感谢已发送。我有一点不解的是mode=XX&CookieDate=XX 这个参数你是怎么发现的呢？

谢谢。

LetFoxRun

2014-04-09 00:21:40 +08:00

@FreDom 你好，感谢已发送，有个小问题，我前面说了不会AJAX，这里请教下：

1.对请求进行了ajax请求判断，这句话是什么意思，就是ajax请求判断是干啥的？
2.模拟ajax请求，这个用python怎么办到？需要使用phantomjs这种吗？

问题有点多，感谢回复。

FreDom

2014-04-09 00:38:38 +08:00

@LetFoxRun

1.服务器端可以通过request headers的信息来判断请求是否属于ajax请求，好像:
X-Requested-With: XMLHttpRequest
这就是ajax请求特有的header信息

2.懂了上面那一点，你就应该知道怎么用python模拟ajax请求了，你也可以google一下，应该有很多答案。还有如果你要抓取的页面太多ajax请求(如淘宝商品页面)，使用phantomjs也是一种办法。

txlty

2014-04-09 02:55:08 +08:00

方法就两种：模拟HTTP请求。模拟浏览器。
第一种，分析js代码，把需要的参数都发过去。尽可能的模拟真实http请求。一个http请求就搞定，执行效率较高。
第二种，全面模拟浏览器抓取，这就自动生成一堆http请求了，而且解析html，并执行页面里的js。这种方法执行效率较低。但编写的时候更省事。
java可以用htmlunit，c#可以用WebClient。至于各种脚本语言，可以调用phantomjs。

楼上说得对，那个地址做了ajax请求判断。假装自己是ajax产生的请求就能访问了。

tinyhill

2014-04-09 07:55:24 +08:00 via iPhone

用 nodejs 跑

Elethom

2014-04-09 08:05:11 +08:00

nForum 有 API 的...

2014-04-09 08:15:16 +08:00

@LetFoxRun Chrome 按下F12/右键打开审查元素在network选项卡有数据包看的

ushuz

2014-04-09 09:02:50 +08:00 via iPhone

不需要模拟ajax，直接抓包，爬虫post相同的headers和body。

LetFoxRun

2014-04-09 09:30:56 +08:00

@txlty 你好，弱弱的问，你打开网址里面貌似有些json串内容，为什么我打开登录网址确实空白的？

我猜你是假装AJAX访问吧，那你图中用的是什么插件呢？

感谢已发送，谢谢。

anewg

2014-04-09 09:34:51 +08:00

Selenium

LetFoxRun

2014-04-09 09:42:28 +08:00

@sb 恩，谢谢，我也是这样做的，但是发现表单里只有id=XXXX passwd=XXXX ，没有你说的mode和CookieData。

2014-04-09 10:55:25 +08:00

@LetFoxRun 我是直接打开http://bbs.byr.cn/index页面进行提交的就有这两个参数了

binux

2014-04-09 11:00:41 +08:00

打开开发者工具，切换到 Network

LetFoxRun

2014-04-09 11:17:04 +08:00

@binux 这个我是知道的，谢谢回复，但是我想问大神师兄一个问题，我知道有selenium、phantomjs等工具模拟浏览器引擎来执行JS，但是如果我不想使用上面那几款工具，但页面包含少部分JS生成的代码，有什么解决办法吗？

谢谢，感谢已发送。

binux

2014-04-09 11:27:41 +08:00

@LetFoxRun 你关心的是数据而不是页面对吗？即使页面是 JS 生成的，它也依赖某个数据来源，直接获得它。

txlty

2014-04-09 23:45:23 +08:00

@LetFoxRun 任何可以伪造http请求头的插件都可以。我用的这个扩展就叫“修改HTTP请求头”。

laozhao0

2014-06-10 18:15:12 +08:00

你好，这边可以实现北邮人论坛信息的抓取，水木清华信息爬取也是可以的，示例 http://huntinfo.sinaapp.com/ 。用的是Jsoup 。不需要登录。

LetFoxRun

2014-06-10 23:12:02 +08:00

@laozhao0 你是北邮的学生吗？

laozhao0

2014-06-11 21:38:53 +08:00

@LetFoxRun 不是。