【Python爬虫 js渲染思路一】

Python爬虫 破解js渲染思路一

当我们在谈论网页js渲染的时候，我们在谈论什么

js渲染网页，从某种程度来说，是指单纯的http请求，返回的文本数据，与我们在浏览器看到的内容，相距甚远.其可包括为以下几点：

1. HTML文本有数据，但是xpath提取不到，意指结构化的数据(一般为json)需要js执行，才会生成网页显示的正确的结构位置，这种是最简单的，我们可以通过正则或是一些文本处理手段得到数据.
2. HTML文本有数据，但是数据与网页有差异，举个栗子：假如我们要爬取一个购物网站，这个网站你想要的是SGD的价格，但你发现文本中却是USD的价格，通过抓包你发现网站并没有传输SGD的价格，这个时候你通过打断点发现价格需要经过文本传输的USD以及汇率，通过专门的汇率的js转换为正确的SGD价格.
3. HTML文本没有数据，通过抓包你发现，数据是通过请求额外的API得到的，这里会存在几种情况：
   1. API可以无限制请求
   2. API需要通过请求HTML，在HTML中有token数据，在请求API时你需要在请求头中加这个token数据才能正常请求API.
   3. API需要通过请求HTML，通过HTML返回的response中的cookie中某些数据，在请求API的时候，请求头需要在cookie中添加这些数据，才能正确拿到数据。
   4. 2和3两种情况合并在一起，才能正确返回数据。
   5. API需要账户登录生成的token才能正常请求。
   6. 需要先请求别的API，通过该API得到的参数，再请求正确的API。

举个栗子

现在我们要抓一个js渲染的easy网站

网站 url

# 我们想要抓取一些衣服的数据
https://www.fashion.com/collections/halter-tops

返回的html文本中，我们发现html文本的数据并没有包含所有的衣服数据，例如：价格。

在抓包中搜索，发现数据来自API

查看API请求，发现一些端倪

该网站在请求加了两个额外参数，很显然，如果不在请求的时候加上这两个参数，你永远得不到正确的数据。那么这两个参数要怎么得到呢？

面对未知参数，一般先搜为敬，先假设很简单

搜索后你发现，咦，原来某些js文件有该参数：

如何缩小范围？无他，唯有穷举。终于在某个js文件，你发现了端倪。

好家伙，居然一个字都没改，真是妙哉。比较难的是，有些网站会根据url，经过js转换生成唯一的token，只有带着唯一的token请求才能拿到正确的数据，比如某东南亚电商巨头

正确的请求

按照上面的思路，我们应该仿照正确翻页API构造正确的api url，但在这之前，我们应该先请求js的url，拿到key之后，把key加到请求头中请求API