[TOC] 在上一篇教程中，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：你會發現，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。（英文版：[AJAX-and-more-HTTP](http://docs.pyspider.org/en/latest/tutorial/AJAX-and-more-HTTP/)） # 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，實現了在不重新加載整個頁面的情況下，與服務器進行數據交互。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 數據，然后在瀏覽器端渲染。如果能直接抓取到 JSON 數據，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，當你嘗試抓取：http://movie.douban.com/explore  你會發現電影是『載入中...』 ## 找到真實的請求 由于 AJAX 實際上也是通過 HTTP 傳輸數據的，所以我們可以通過 Chrome Developer Tools 找到真實的請求，直接發起真實請求的抓取就可以獲得數據了。 1. 打開一個新窗口 2. 按 Ctrl+Shift+I (在 Mac 上請按 Cmd+Opt+I) 打開開發者工具。 3. 切換到網絡（ Netwotk 面板） 4. 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。  AJAX 一般是通過 XMLHttpRequest 對象接口發送請求的，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，學習抓取的最好方法是：學會寫網站。 現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據的 JSON 原始數據。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 JSON 數據，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 協議傳輸的。 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 參數進行抓取了。 一個典型的 HTTP 請求包如下，這個請求是發往 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 ~~~ * 請求的第一行包含 method, path 和 HTTP 協議的版本信息 * 余下的行被稱為 header，是以 key: value 的形式呈現的 * 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，而在提交數據的時候一般使用 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分用戶的操作系統和瀏覽器，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的。 當遇到需要登錄的網站，你需要通過設置 Cookie 參數，來請求需要登錄的內容。Cookie 可以通過開發者工具的請求面板，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。