在上一篇教程《pyspider 爬蟲教程 (1)：HTML 和 CSS 選擇》中，我們使用 self.crawl API 抓取豆瓣電影的 HTML 內容，并使用 CSS 選擇器解析了一些內容。不過，現(xiàn)在的網站通過使用 AJAX 等技術，在你與服務器交互的同時，不用重新加載整個頁面。但是，這些交互手段，讓抓取變得稍微難了一些：你會發(fā)現(xiàn)，這些網頁在抓回來后，和瀏覽器中的并不相同。你需要的信息并不在返回 HTML 代碼中。

在這一篇教程中，我們會討論這些技術 和 抓取他們的方法。

AJAX

AJAX 是 Asynchronous JavaScript and XML(異步的 JavaScript 和 XML)的縮寫。AJAX 通過使用原有的 web 標準組件，實現(xiàn)了在不重新加載整個頁面的情況下，與服務器進行數(shù)據(jù)交互。例如在新浪微博中，你可以展開一條微博的評論，而不需要重新加載，或者打開一個新的頁面。但是這些內容并不是一開始就在頁面中的(這樣頁面就太大了)，而是在你點擊的時候被加載進來的。這就導致了你抓取這個頁面的時候，并不能獲得這些評論信息(因為你沒有『展開』)。

AJAX 的一種常見用法是使用 AJAX 加載 JSON 數(shù)據(jù)，然后在瀏覽器端渲染。如果能直接抓取到 JSON 數(shù)據(jù)，會比 HTML 更容易解析。

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。你在瀏覽器中打開這樣的頁面，或者點擊『展開』的時候，常常會看到『加載中』或者類似的圖標/動畫。例如，當你嘗試抓?。篽ttp://movie.douban.com/explore

你會發(fā)現(xiàn)電影是『載入中…』

找到真實的請求

由于 AJAX 實際上也是通過 HTTP 傳輸數(shù)據(jù)的，所以我們可以通過 Chrome Developer Tools 找到真實的請求，直接發(fā)起真實請求的抓取就可以獲得數(shù)據(jù)了。

打開一個新窗口

按 Ctrl+Shift+I (在 Mac 上請按 Cmd+Opt+I) 打開開發(fā)者工具。

切換到網絡( Netwotk 面板)

在窗口中打開 http://movie.douban.com/explore

在頁面加載的過程中，你會在面板中看到所有的資源請求。 

[[191089]] 

AJAX 一般是通過 XMLHttpRequest 對象接口發(fā)送請求的，XMLHttpRequest 一般被縮寫為 XHR。點擊網絡面板上漏斗形的過濾按鈕，過濾出 XHR 請求。挨個查看每個請求，通過訪問路徑和預覽，找到包含信息的請求：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 請求并不多，可以挨個查看來確認。但在 XHR 請求較多的時候，可能需要結合觸發(fā)動作的時間，請求的路徑等信息幫助在大量的請求中找到包含信息的關鍵請求。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***方法是：學會寫網站。

現(xiàn)在可以在新窗口中打開 http://movie.douban.com/j/searchX67Xsubjects?type=movie&tag=%E7%83%AD%E9%97%A8&sort=recommend&page_limit=20&page_start=0，你會看到包含電影數(shù)據(jù)的 JSON 原始數(shù)據(jù)。推薦安裝 JSONView(Firfox版)插件，這樣可以看到更好看的 JSON 格式，展開折疊列等功能。然后，我們根據(jù) JSON 數(shù)據(jù)，編寫一個提取電影名和評分的腳本：

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 對象

你可以在 http://demo.pyspider.org/debug/tutorial_douban_explore 獲得完整的代碼，并進行調試。腳本中還有一個使用 PhantomJS 渲染的提取版本，將會在下一篇教程中介紹。

HTTP

HTTP 是用來傳輸網頁內容的協(xié)議。在前面的教程中，我們已經通過 self.crawl 接口提交了 URL 進行了抓取。這些抓取就是通過 HTTP 協(xié)議傳輸?shù)摹?/p>

在抓取過程中，你可能會遇到類似 403 Forbidden，或者需要登錄的情況，這時候你就需要正確的 HTTP 參數(shù)進行抓取了。

一個典型的 HTTP 請求包如下，這個請求是發(fā)往 http://example.com/ 的：

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***行包含 method, path 和 HTTP 協(xié)議的版本信息
• 余下的行被稱為 header，是以 key: value 的形式呈現(xiàn)的
• 如果是 POST 請求，在請求結尾可能還會有 body 內容

你可以通過前面用過的 Chrome Developer Tools 工具查看到這些信息：

在大多數(shù)時候，使用正確的 method, path, headers 和 body 總是能抓取到你需要的信息的。

HTTP Method

HTTP Method 告訴服務器對 URL 資源期望進行的操作。例如在打開一個 URL 的時候使用的是 GET 方式，而在提交數(shù)據(jù)的時候一般使用 POST。

TODO： need example here

HTTP Headers

HTTP Headers 是請求所帶的一個參數(shù)列表，你可以在 這里 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，或抓取程序的一段字符串。pyspider 使用的默認 UA 是 pyspider/VERSION (+http://pyspider.org/)。網站常用這個字符串來區(qū)分用戶的操作系統(tǒng)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'}} 來指定腳本級別的 UA。詳細請查看 API 文檔。

Referer

Referer 用于告訴服務器，你訪問的上一個網頁是什么。常常被用于防盜鏈，在抓取圖片的時候可能會用到。

X-Requested-With

當使用 XHR 發(fā)送 AJAX 請求時會帶上的 Header，常被用于判斷是不是 AJAX 請求。例如在 北郵人論壇 中，你需要：

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(qū)分、追蹤用戶的身份，當你在一個網站登錄的時候，就是通過寫入 Cookie 字段來記錄登錄狀態(tài)的。

當遇到需要登錄的網站，你需要通過設置 Cookie 參數(shù)，來請求需要登錄的內容。Cookie 可以通過開發(fā)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，并使用 self.crawl(URL, cookie={'key': 'value'}) 來設置請求的 Cookie 參數(shù)。