这是一个创建于 3810 天前的主题，其中的信息可能已经有所发展或是发生改变。
像百度贴吧、知乎都属于这种。
百度贴吧，最近好像改成一页只加载一半了。
知乎的话，评论和个人名片，也是后发送请求获取的。
像这种页面的爬虫，应该用什么语言怎么写呢？
百度贴吧，最近好像改成一页只加载一半了。
知乎的话，评论和个人名片，也是后发送请求获取的。
像这种页面的爬虫，应该用什么语言怎么写呢？
 |
1
imn1 2014-07-19 08:56:55 +08:00
一样的，抓包ajax请求模拟出来就行
|
 |
2
jings 2014-07-19 09:07:15 +08:00 via Android
写过一种需要手动向下滚动加载 其实url还是不一样的 需要看一下网页源码 找出区别
shell应该是最好的脚本语言吧 python五十几行的代码几行shell搞定 如果会perl那更好了 shell无非就wget curl > >> while read awk sed columnt就能很好的抓取了 要多线程就要 screen nohup & perl |
 |
3
lizheming 2014-07-19 09:21:26 +08:00
PhantomJS, CasperJS
|
 |
4
em70 2014-07-19 09:22:34 +08:00 via Android
需要分析ajax的数据接口来处理，每个网站都要单独分析，没有一劳永逸的办法
|
 |
5
ccbikai 2014-07-19 10:13:21 +08:00
F12 先找出接口地址，然后模拟浏览器读取数据。
|
 |
6
ddzz 2014-07-19 10:34:17 +08:00
怎么就没人说开浏览器采集
|
 |
8
azuginnen 2014-07-19 11:42:14 +08:00
糙快猛selenium ide
|
 |
9
assassinpig 2014-07-19 11:57:02 +08:00
贴吧的改了？我要回去试试
|
 |
10
konakona 2014-07-19 12:05:46 +08:00
需要用逆向思维做逆向工程。
你看到的是结果，根据结果一层层剥离出真相（源）。 比如说去哪儿那种动态的列表，会出现2个问题： 1.找不到分页number存放的html位置 2.找不到请求下一页url的规则 必须在js、html甚至是json里进行反复查证。 动态页面往往是由多个碎片源返回的数据组成。 |
Select Language