爬虫提取 36 氪的文章正文，为什么抓取不到？

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

V2EX 提问指南

这是一个创建于 3132 天前的主题，其中的信息可能已经有所发展或是发生改变。

本人使用 PHP 的： file_get_contents 和 curl 函数都未曾获取到。就认真研究了下 36 氪的正文加载过程。

看了一下，它应该是使用 js 加载的正文内容。

如果禁用 js 调试，正文就没有内容；否则，就可以正常显示。但是查看了下所有的 js 文件也没看出来头绪，如果使用“网页另存为”本地文件，再用浏览器打开也是没有正文。

是不是使用了什么加密技术来获取正文（为了防止爬虫）？各位探讨一下。

正文

curl

PHP

使用

10 条回复 • 2016-05-03 21:54:51 +08:00

binux

2016-05-03 19:33:58 +08:00

.js-react-on-rails-component

Syc

2016-05-03 19:36:37 +08:00 via Android

采集技术不够深，还需多多磨练

function007

2016-05-03 19:39:28 +08:00

感觉就是丧心病狂的转义。。

EchoWhale

2016-05-03 20:39:20 +08:00

这么丧心病狂地提防爬虫， 36 氪完全不需要讨好搜索引擎吗

Tink

2016-05-03 20:41:40 +08:00

卧槽，这个有点吊

titanp

2016-05-03 20:43:31 +08:00 via Android

这种站可能怕爬虫直接原文转

popok

2016-05-03 20:52:35 +08:00 via iPhone

正文都是直接在

但是最终显示出来，应该是通过一个 js 解析的

不是前段，只懂皮毛

popok

2016-05-03 20:53:45 +08:00

@EchoWhale 然而，人家爬虫还是收录的好好的

gimp

2016-05-03 21:10:58 +08:00 via Android

使用 selenium 简单粗暴哈哈

qqmishi

2016-05-03 21:54:51 +08:00

#encoding=utf8
import requests
import json
import re

url="http://36kr.com/p/5045314.html"
r = requests.get(url).content
json_data = json.loads(re.sub(""","\"",re.search("data-props=\"([^\"]+)\"",r).group(1)))
print json_data['data']['post']['display_content']

其实抓到 json_data 之后，后面就随便处理了