Python+Requests库爬取动态Ajax分页数据的完整流程

目录

• 引言
• 1. 分析Ajax请求
• 1.1 目标网站分析
• 1.2 使用浏览器开发者工具
• 1.3 确定请求参数
• 2. Python + Requests 实现爬取
• 2.1 安装依赖库
• 2.2 构造请求函数
• 2.3 解析数据并翻页
• 2.4 存储数据（CSV）
• 3. 进阶优化
• 3.1 处理反爬机制
• 3.2 异常处理
• 3.3 多线程/异步爬取（提高效率）
• 4. 完整代码示例
• 5. 总结

在当今的互联网环境中，许多网站采用Ajax（Asynchronous JavaScript and XML）技术动态加载数据，以提高用户体验。传统的爬虫方法（如直接解析HTML）无法获取这些动态生成的内容，因此需要分析Ajax请求，模拟浏览器发送HTTP请求来获取数据。

本文将介绍如何使用Python + Requests库爬取动态Ajax分页数据，包括：

1. 分析Ajax请求，找到数据接口
2. 模拟请求参数，构造翻页逻辑
3. 解析返回数据（通常是JSON格式）
4. 存储数据（如CSV或数据库）

我们将以某电商网站（模拟案例）为例，演示如何爬取分页商品数据。

假设目标网站的商品列表采用Ajax动态加载，URL结构如下：

https://example.com/api/products?page=1&size=10

• **<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">page</font>**：当前页码
• **<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">size</font>**：每页数据量

1. 打开Chrome/Firefox开发者工具（F12）
2. 进入Network（网络）选项卡
3. 选择XHR（Ajax请求）
4. 翻页时观察新增的请求，找到数据接口

https://example.com/ajax-analysis.png

观察请求的：

• URL（是否包含页码参数）
• Headers（是否需要**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">User-Agent</font>**、**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">Referer</font>**等）
• 请求方式（GET/POST）
• 返回数据格式（通常是JSON）

import requests
import pandas as pd
def fetch_ajax_data(page):
    url = "https://example.com/api/products"
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36",
        "Referer": "https://example.com/products",
    }
    params = {
        "page": page,
        "size": 10,
    }
    response = requests.get(url, headers=headers, params=params)
    if response.status_code == 200:
        return response.json()  # 假设返回的是JSON数据
    else:
        print(f"请求失败，状态码：{response.status_code}")
        return None

def crawl_ajax_pages(max_pages=5):
    all_products = []
    for page in range(1, max_pages + 1):
        print(f"正在爬取第 {page} 页...")
        data = fetch_ajax_data(page)
        if data and "products" in data:
            all_products.extend(data["products"])
        else:
            print(f"第 {page} 页无数据或解析失败")
    return all_products

def save_to_csv(data, filename="products.csv"):
    df = pd.DataFrame(data)
    df.to_csv(filename, index=False, encoding="utf-8-sig")
    print(f"数据已保存至 {filename}")
# 执行爬取
if __name__ == "__main__":
    products = crawl_ajax_pages(max_pages=5)
    if products:
        save_to_csv(products)

• 随机User-Agent：防止被识别为爬虫
• 请求间隔：避免被封IP
• 代理IP：应对IP限制

import time
from fake_useragent import UserAgent
def fetch_ajax_data_safe(page):
    ua = UserAgent()
    headers = {
        "User-Agent": ua.random,
        "Referer": "https://example.com/products",
    }
    time.sleep(1)  # 避免请求过快
    # 其余代码同上...

try:
    response = requests.get(url, headers=headers, params=params, timeout=10)
    response.raise_for_status()  # 检查HTTP错误
except requests.exceptions.RequestException as e:
    print(f"请求异常：{e}")
    return None

import concurrent.futures
def crawl_with_threads(max_pages=5, workers=3):
    with concurrent.futures.ThreadPoolExecutor(max_workers=workers) as executor:
        futures = [executor.submit(fetch_ajax_data, page) for page in range(1, max_pages + 1)]
        all_products = []
        for future in concurrent.futures.as_completed(futures):
            data = future.result()
            if data:
                all_products.extend(data.get("products", []))
    return all_products

import requests
import pandas as pd
import time
from fake_useragent import UserAgent
# 代理服务器配置
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"
# 构造代理字典
proxies = {
    "http": f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}",
    "https": f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}",
}
def fetch_ajax_data(page):
    ua = UserAgent()
    url = "https://example.com/api/products"
    headers = {
        "User-Agent": ua.random,
        "Referer": "https://example.com/products",
    }
    params = {
        "page": page,
        "size": 10,
    }
    try:
        time.sleep(1)  # 防止请求过快
        # 添加proxies参数使用代理
        response = requests.get(
            url,
            headers=headers,
            params=params,
            timeout=10,
            proxies=proxies
        )
        response.raise_for_status()
        return response.json()
    except requests.exceptions.RequestException as e:
        print(f"第 {page} 页请求失败：{e}")
        return None
def crawl_ajax_pages(max_pages=5):
    all_products = []
    for page in range(1, max_pages + 1):
        print(f"正在爬取第 {page} 页...")
        data = fetch_ajax_data(page)
        if data and "products" in data:
            all_products.extend(data["products"])
        else:
            print(f"第 {page} 页无数据或解析失败")
    return all_products
def save_to_csv(data, filename="products.csv"):
    df = pd.DataFrame(data)
    df.to_csv(filename, index=False, encoding="utf-8-sig")
    print(f"数据已保存至 {filename}")
if __name__ == "__main__":
    products = crawl_ajax_pages(max_pages=5)
    if products:
        save_to_csv(products)

本文介绍了如何使用Python + Requests库爬取动态Ajax分页数据，核心步骤包括：

1. 分析Ajax请求（使用浏览器开发者工具）
2. 模拟请求参数（Headers、Query Params）
3. 翻页逻辑实现（循环请求不同页码）
4. 数据存储（CSV、数据库等）
5. 反爬优化（随机UA、代理IP、请求间隔）

这种方法适用于大多数动态加载数据的网站，如电商、新闻、社交媒体等。如果需要更复杂的动态渲染（如JavaScript生成内容），可结合Selenium或Playwright实现。

到此这篇关于Python + Requests库爬取动态Ajax分页数据的文章就介绍到这了,更多相关Python Requests库 Ajax分页数据内容请搜索风君子博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持风君子博客！

您可能感兴趣的文章:

• python爬虫 基于requests模块发起ajax的get请求实现解析
• Python爬取求职网requests库和BeautifulSoup库使用详解
• Python用requests库爬取返回为空的解决办法
• python爬虫利器之requests库的用法(超全面的爬取网页案例)
• python3 requests库实现多图片爬取教程
• python requests库爬取豆瓣电视剧数据并保存到本地详解