前往小程序,Get更优阅读体验!
立即前往
发布
社区首页 >专栏 >处理动态分页:自动翻页与增量数据抓取策略-数据议事厅

处理动态分页:自动翻页与增量数据抓取策略-数据议事厅

原创
作者头像
jackcode
发布2025-03-10 14:35:09
发布2025-03-10 14:35:09
5100
代码可运行
举报
文章被收录于专栏:爬虫资料爬虫资料
运行总次数:0
代码可运行
爬虫代理
爬虫代理

一、案例场景

Lily(挥舞着数据报表):"用户反馈我们的股票舆情分析总是缺失最新跟帖!这些动态分页像狡猾的狐狸,每次抓取都漏掉关键数据!"

小王(调试着爬虫代码):"传统分页参数已经失效了。看!(指向屏幕)这个「加载更多」按钮会变异——每次点击都会生成新的加密参数!"

动态分页化身黑衣刺客,手持带有时间戳的毒镖:「想要新数据?先破解我的身份令牌!」UserAgent检测如同城门守卫,将没有伪装的爬虫拒之门外。

代码语言:python
代码运行次数:0
复制
import requests
from bs4 import BeautifulSoup
import time
import json

class GubaCrawler:
    def __init__(self):
        # 亿牛云代理配置
        self.proxy = {
            "http": "http://16YUN:16IP@yn-proxy.16yun.cn:3111", 
            "https": "http://16YUN:16IP@yn-proxy.16yun.cn:3111"
        }
        self.headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
            "Cookie": "em_hq_fls=js; sid=6d5b20..."  # 需要定期更新的动态cookie
        }
        self.visited_ids = set()  # 增量抓取存储器

    def parse_page(self, url):
        try:
            # 爬虫代理IP与浏览器指纹双保险
            response = requests.get(url, proxies=self.proxy, headers=self.headers, timeout=10)
            soup = BeautifulSoup(response.text, 'html.parser')
            
            # 东方财富股吧帖子解析
            posts = []
            for item in soup.select('.articleh'):
                post_id = item.get('data-postid')  # 唯一标识符
                if post_id in self.visited_ids:
                    continue
                
                title = item.select_one('.l3 a').text.strip()
                time = item.select_one('.l5').text
                # 更多字段解析...
                posts.append({"id":post_id, "title":title, "time":time})
                self.visited_ids.add(post_id)
            
            return posts
        except Exception as e:
            print(f"抓取异常:{str(e)}")
            return []

    def auto_pagination(self):
        base_url = "https://guba.eastmoney.com/list,002291_{}.html"
        page = 1
        while True:
            current_url = base_url.format(page)
            print(f"智能翻页中:{current_url}")
            
            data = self.parse_page(current_url)
            if not data:  # 终止条件判断
                print("到达最后一页!")
                break
                
            # 数据存储逻辑
            with open('guba_data.json', 'a', encoding='utf-8') as f:
                json.dump(data, f, ensure_ascii=False)
            
            page += 1
            time.sleep(3)  # 控制频率

if __name__ == '__main__':
    crawler = GubaCrawler()
    crawler.auto_pagination()

工程师召唤出「参数预言家」——通过逆向工程发现分页规律:每页URL中的页码呈等差序列变化,但需要配合动态生成的Cookie才能获得真实数据。

二、技术亮点解密

代理IP铠甲:通过亿牛云代理池实现IP身份轮换

身份伪装术:动态UserAgent+实时更新的Cookie

增量记忆水晶:用集合存储已抓取ID避免重复

时间迷雾:随机延时规避采集检测

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、案例场景
  • 二、技术亮点解密
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档