Python + Requests库爬取动态Ajax分页数据

引言
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。
5. 分析Ajax请求
   1.1 目标网站分析
   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
   ● page：当前页码
   ● size：每页数据量
   1.2 使用浏览器开发者工具
6. 打开Chrome/Firefox开发者工具（F12）
7. 进入Network（网络）选项卡
8. 选择XHR（Ajax请求）
9. 翻页时观察新增的请求，找到数据接口
   https://example.com/ajax-analysis.png
   1.3 确定请求参数
   观察请求的：
   ● URL（是否包含页码参数）
   ● Headers（是否需要User-Agent、Referer等）
   ● 请求方式（GET/POST）
   ● 返回数据格式（通常是JSON）
10. Python + Requests 实现爬取
    2.1 安装依赖库
    2.2 构造请求函数
    ```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

2.3 解析数据并翻页
```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

2.4 存储数据（CSV）
```2.4 存储数据（CSV）

3. 进阶优化
3.1 处理反爬机制
● 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...

3.2 异常处理

    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

3.3 多线程/异步爬取（提高效率）
```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

4. 完整代码示例
```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)

1. 总结
   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：
2. 分析Ajax请求（使用浏览器开发者工具）
3. 模拟请求参数（Headers、Query Params）
4. 翻页逻辑实现（循环请求不同页码）
5. 数据存储（CSV、数据库等）
6. 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。