首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >三种常见网站结构的解析方式对比——信息结构与处理路径图谱

三种常见网站结构的解析方式对比——信息结构与处理路径图谱

原创
作者头像
jackcode
发布2025-07-29 11:17:33
发布2025-07-29 11:17:33
29400
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

核心主题:页面结构影响信息提取方式

在自动化信息提取程序的设计中,页面数据的呈现方式将直接影响所选的处理策略。不同类型的站点,其前端结构、加载机制与接口设计都存在显著差异。本文将梳理出三种主流页面结构模式,并结合代码实例进行比对分析,帮助技术开发者快速定位合适的实现路径。


多分支路径:三类页面结构 × 三种主流应对方式

将常见站点划分为以下三种结构类型,并对应推荐的处理策略:

页面结构类型

特征描述

推荐处理方式

类型一:静态页面

数据直接嵌入HTML源码中,可直接访问

使用 requests + BeautifulSoup

类型二:动态页面(需运行脚本)

页面内容依赖JavaScript渲染生成

使用自动化浏览器环境,如 Playwright

类型三:接口式页面

通过API(如GraphQL)进行数据传输

直接发起接口请求并处理返回结构


技术路径图谱结构

代码语言:plain
复制
网站结构解析策略图谱
|
├── 静态型页面
│   └── requests + BeautifulSoup 方式
│
├── 动态型页面
│   └── Playwright 自动化方式(支持模拟交互)
│
└── 接口驱动型页面
    └── requests + JSON 格式数据提取

实战环节:三种结构的典型实现方式

通用代理配置段(适用于下列三种类型)

以下配置基于亿牛云信息代理服务,确保请求行为具备一定匿名性与稳定性。

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

# 亿牛云代理参数(参考示例)
proxy_host = "proxy.16yun.cn"
proxy_port = "3111"
proxy_user = "16YUN"
proxy_pass = "16IP"

# 构建代理配置
proxies = {
    "http": f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}",
    "https": f"http://{proxy_user}:{proxy_pass}@{proxy_host}:{proxy_port}",
}

# 浏览器身份标识(部分网站要求真实UA)
user_agents = [
    "Mozilla/5.0 (Windows NT 10.0; Win64; x64)...",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7)...",
]
headers = {
    "User-Agent": random.choice(user_agents)
}

示例一:处理静态页面结构(如百科内容页)

代码语言:python
代码运行次数:0
运行
复制
url = "https://example.com/static-page"

# 发送请求
resp = requests.get(url, headers=headers, proxies=proxies)
soup = BeautifulSoup(resp.text, "html.parser")

# 提取标题和段落信息
title = soup.find("h1").text
paragraphs = [p.text for p in soup.find_all("p")]

print(f"页面标题: {title}")
print("主要内容段落:", paragraphs)

示例二:处理动态内容页面(如社交类平台)

代码语言:python
代码运行次数:0
运行
复制
from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch(headless=True, proxy={
        "server": f"http://{proxy_host}:{proxy_port}",
        "username": proxy_user,
        "password": proxy_pass
    })
    page = browser.new_page()
    page.set_extra_http_headers(headers)

    page.goto("https://example.com/dynamic-content")
    page.wait_for_timeout(3000)  # 等待前端逻辑渲染完成

    content = page.locator("div.comment").all_inner_texts()
    print("页面中提取的评论:", content)

    browser.close()

示例三:处理GraphQL或REST接口驱动页面(如旅游平台)

代码语言:python
代码运行次数:0
运行
复制
graphql_url = "https://www.expedia.com/graphql"

query_body = {
    "query": "query{ hotelOffers(city:\"Tokyo\"){ name price rating } }"
}

# 发起接口请求
resp = requests.post(
    graphql_url,
    headers={**headers, "Content-Type": "application/json"},
    json=query_body,
    proxies=proxies
)

data = resp.json()
offers = data["data"]["hotelOffers"]
for offer in offers:
    print(f"酒店名称: {offer['name']}, 价格: {offer['price']}, 评分: {offer['rating']}")

实用建议:如何匹配最合适的策略?

场景判断依据

推荐方式

实用提示

页面源代码中能看到关键数据

HTML解析方式

快速稳定,适合初学者

页面数据由JS生成或依赖异步加载

自动化环境工具

可应对结构复杂或需登录的页面

网络请求中出现JSON接口

直接抓接口

最为高效,建议使用浏览器开发者工具辅助分析


总结与提升

  1. 静态页面更适合基于DOM结构提取,效率高但局限性强。
  2. 动态页面可通过自动化技术还原页面逻辑,适配复杂平台。
  3. 接口型页面建议首选,如能定位API接口,将极大简化工作量。

通过结构化分类和实际比对,你将能快速建立起一套适用于不同页面结构的应对方案,有助于项目初期的架构设计与效率提升。

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
  • 核心主题:页面结构影响信息提取方式
  • 多分支路径:三类页面结构 × 三种主流应对方式
  • 技术路径图谱结构
  • 实战环节:三种结构的典型实现方式
    • 通用代理配置段(适用于下列三种类型)
    • 示例一:处理静态页面结构(如百科内容页)
    • 示例二:处理动态内容页面(如社交类平台)
    • 示例三:处理GraphQL或REST接口驱动页面(如旅游平台)
  • 实用建议:如何匹配最合适的策略?
  • 总结与提升
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