任务简介

任务解决思路与经验收获

具体步骤

总结

我是政胤期待你的关注

大家好我是政胤今天教大家一个比较刑的爬虫案例

Python爬虫爬取下载美国科研网站数据

制作不易点个免费的关注支持一下吧

任务简介
目标网站：https://app.powerbigov.us/view?r=eyJrIjoiYWEx...

目标数据：下载2009-2013年的表格数据，并存储为CSV文件

目标网站是漂亮国的科研数据，是PowerBI实现的网页数据，无法使用Ctrl+C复制内容，因此，求助于我们进行爬取。

任务解决思路与经验收获
首先任务可拆解为两个部分：一是从网站爬取数据到本地，二是解析数据输出CSV文件：

爬取数据部分：

解析网页，找到数据异步加载的实际请求地址与参数

书写爬虫代码获取全部数据

解析数据部分

这是本次任务的主要难点所在，难点在于：在返回的数据list中，元素不是固定的个数，只有与上一行不同的数值，而具体哪一列不同、哪一列相同，是使用一个“R”值表示，正常解决思路是要通过JS逆向，找出解析R关系的函数，完成解析。但是，由于网页的JS非常复杂，且许多函数名都是简写，阅读十分困难，一直没有逆向成功

在解决该问题上，先是手工查询总结关系，完成了第一个版本，没想到后续在写写这篇分享文章时突然思路打开，改变了请求数据方式，绕过了分析R关系的步骤：

方案一：按正常请求，使用R关系解析数据

下载完整的数据后分析，所需要的2009至2013年的数据中，R关系一共有124种，最小值0、最大值4083，通过人工查询这124种关系，制作成字典，完成解析。总结出的关系如下图(手工查询了5个小时，累啊)：

方案二：以时间换空间，每次仅请求一行数据，绕过解析R关系的难题
在复盘时，突然头脑开窍，请求到的数据第一行一定是完整的，要是每次只请求一行数据，那就不可能存在与上一行相同的情形了，这种情况下就能绕过解析R关系这一难题。测试后方案可行，只是需要考虑以下问题：

开启多线程加速以缩时间，但即使开启多线程，也只能按12个年份开启12个线程，而行数最多的年份约2万行，爬虫需要运行约5至6个小时

断点续爬，避免程序异常中断后，需要从头开始；

具体步骤
目标网站分析

第一步当然是对目标网站进行分析，找到数据正确的请求地址，这点很容易，打开Chrome的开发者模式，向下拖动滚动条，看到新出现的请求，就是真实的地址了，直接上结果：

然后看一下POST请求的参数

请求的参数

再看一下Headers，意外发现，竟然没有反爬！没有反爬！没有反爬！好吧，漂亮国的网站就是大气。

分析小结：

完整参数就略过，关键参数以下三项：

1.筛选年份的参数，示例：

param'queries''Query'0'Query'0'In'0'Literal' = '2009L'

2.请求下一批数据(请求首批数据时无需传入该参数)，示例：

param'queries''Query'0'Binding''Primary'['RestartTokens'] = [["'Augusto E Caballero-Robles'","'Physician'","'159984'","'Daiichi Sankyo, Inc.'","'CC0131'","'Basking Ridge'","'NJ'","'Compensation for Bona Fide Services'","2009L","'4753'"]]

注：以上"RestartTokens"的值在前一批数据的response中，为上一批数据的返回字典值，示例res'results''result''dsr'0

3.请求页面的行数(浏览器访问默认是500行/页,但爬虫访问的话...你懂的)，示例：

param'queries''Query'0'Binding''Primary'['Count'] = 500

参数还有很多，例如排序的参数ordby，各种筛选项等

POST的关键参数：

爬虫主要步骤及代码

在获取全部数据上，则使用一个while True死循环，每次请求返回值中如有"RT"关键字，则修改POST参数，发起下一个请求，直至返回值中没有"RT"关键字，代表全部数据爬取结束(详见代码)

请求过程中出现的异常需要捕获，根据异常类型决定下一步操作，由于该网站没有反爬，只有超时或连接错误的异常，因此，只需要重启发起请求即可，因此可以不考虑断点续爬

以上步骤，详细代码如下：

网站没有反爬，找到正确的路径和参数后，在爬虫代码实现上相对简单，直接发起post请求即可，代码中通过PageSpider类实现(详细代码附后)

在断点续传上，通过流程解决，把每行数据存储到TXT文件中，文件名记录年份以及行数，先读取已爬取的记录，找到最后一次请求结果，然后发起后续请求。

"""
爬取页面数据的爬虫
"""
import pathlib as pl
import requests
import json
import time
import threading
import urllib3

def get_cost_time(start: time.time, end: time.time = None):
"""
计算间隔时长的方法
:param start: 起始时间
:param end: 结束时间，默认为空，按最新时间计算
:return: 时分秒格式
"""
if not end:

  end = time.time()

cost = end - start
days = int(cost / 86400)
hours = int(cost % 86400 / 3600)
mins = int(cost % 3600 / 60)
secs = round(cost % 60, 4)
text = ''
if days:

  text = f'{text}{days}天'

if hours:

  text = f'{text}{hours}小时'

if mins:

  text = f'{text}{mins}分钟'

if secs:

  text = f'{text}{secs}秒'

return text

class PageSpider:
def __init__(self, year: int, nrows: int = 500, timeout: int = 30):

  """
  初始化爬虫的参数
  :param year: 下载数据的年份，默认空，不筛选年份，取得全量数据
  :param nrows: 每次请求获取的数据行数，默认500，最大30000(服务器自动限制，超过无效)
  :param timeout: 超时等待时长
  """
  self.year = year if year else 'all'
  self.timeout = timeout
  # 请求数据的地址
  self.url = ''
  # 请求头
  self.headers = {
      # 太长省略，自行在浏览器中复制
  }
  # 默认参数
  self.params = {
      # 太长省略，自行在浏览器中复制
  }
  # 修改默认参数中的每次请求的行数
  self.params['queries'][0]['Query']['Commands'][0]['SemanticQueryDataShapeCommand']['Binding']['DataReduction'][
      'Primary']['Window']['Count'] = nrows
  # 修改默认参数中请求的年份
  if self.year != 'all':
      self.params['queries'][0]['Query']['Commands'][0]['SemanticQueryDataShapeCommand']['Query']['Where'][0][
          'Condition']['In']['Values'][0][0]['Literal']['Value'] = f'{year}L'

@classmethod
def read_json(cls, file_path: pl.Path):

  with open(file_path, 'r', encoding='utf-8') as fin:
      res = json.loads(fin.read())
  return res

def get_idx_and_rt(self):

  """
  获取已经爬取过的信息，最大的idx以及请求下一页的参数
  """
  single = True
  tmp_path = pl.Path('./tmp/')
  if not tmp_path.is_dir():
      tmp_path.mkdir()
  files = list(tmp_path.glob(f'{self.year}_part*.txt'))
  if files:
      idx = max([int(filename.stem.replace(f'{self.year}_part', '')) for filename in files])
      res = self.read_json(tmp_path / f'{self.year}_part{idx}.txt')
      key = res['results'][0]['result']['data']['dsr']['DS'][0].get('RT')
      if not key:
          single = False
  else:
      idx = 0
      key = None
  return idx, key, single

def make_params(self, key: list = None) -> dict:

  """
  制作请求体中的参数
  :param key: 下一页的关键字RestartTokens，默认空，第一次请求时无需传入该参数
  :return: dict
  """
  params = self.params.copy()
  if key:
      params['queries'][0]['Query']['Commands'][0]['SemanticQueryDataShapeCommand']['Binding']['DataReduction'][
          'Primary']['Window']['RestartTokens'] = key
  return params

def crawl_pages(self, idx: int = 1, key: list = None):

  """
  爬取页面并输出TXT文件的方法，
  :param idx: 爬取的索引值，默认为1，在每行爬取时，代表行数
  :param key: 下一页的关键字RestartTokens，默认空，第一次请求时无需传入该参数
  :return: None
  """
  start = time.time()
  while True:  # 创建死循环爬取直至结束
      try:
          res = requests.post(url=self.url, headers=self.headers, json=self.make_params(key),
                              timeout=self.timeout)
      except (
              requests.exceptions.ConnectTimeout,
              requests.exceptions.ConnectionError,
              urllib3.exceptions.ConnectionError,
              urllib3.exceptions.ConnectTimeoutError
      ):  # 捕获超时异常 或 连接异常
          print(f'{self.year}_part{idx}: timeout, wait 5 seconds retry')
          time.sleep(5)  # 休息5秒后再次请求
          continue  # 跳过后续步骤
      except Exception as e:  # 其他异常，打印一下异常信息
          print(f'{self.year}_part{idx} Error: {e}')
          time.sleep(5)  # 休息5秒后再次请求
          continue  # 跳过后续步骤
      if res.status_code == 200:
          with open(f'./tmp/{self.year}_part{idx}.txt', 'w', encoding='utf-8') as fout:
              fout.write(res.text)
          if idx % 100 == 0:
              print(f'{self.year}的第{idx}行数据写入完成，已用时: {get_cost_time(start)}')
          key = json.loads(res.text)['results'][0]['result']['data']['dsr']['DS'][0].get('RT', None)
          if not key:  # 如果没有RT值，说明已经全部爬取完毕了，打印一下信息退出
              print(f'{self.year} completed max_idx is {idx}')
              return
          idx += 1
      else:  # 打印一下信息重新请求
          print(f'{self.year}_part{idx} not 200，check please', res.text)
          continue

def mul_crawl(year: int, nrows: int = 2):
"""
多线程爬取的方法，注按行爬取
:param year: 需要爬取的年份
:param nrows: 每份爬取的行数，若每次仅爬取1行数据，nrows参数需要为2，才会有下一行，否则都是第一行
"""
# 定义爬虫对象
spider = PageSpider(year, nrows=nrows)
# 获取爬取对象已爬取的idx，key和是否完成爬取的信号single
idx, key, single = spider.get_idx_and_rt()
if not single:

  print(f'{year}年的共{idx}行数据已经全部下载，无需爬取')
  return

print(f'{year}年的爬虫任务启动, 从{idx+1}行开始爬取')
spider.crawl_pages(idx+1, key) # 特别注意，已经爬取了idx行，重启时，下一行需要+1，否则重启后，会覆盖一行数据

if name == '__main__':
pools = []
for y in range(2009, 2021):

  pool = threading.Thread(
      target=mul_crawl, args=(y, 2), name=f'{y}_thread'  # 按行爬取，nrows参数需要为2
  )
  pool.start()
  pools.append(pool)

for pool in pools:

  pool.join()

print('任务全部完成')
代码运行示例：

以时间换空间，每次仅请求一行，绕过R关系解析

解析数据

方案一

解析数据困难的部分就是找出R关系规律，这部分是使用手工查询来解决的，直接上代码吧：

class ParseData:

"""
解析数据的对象
"""

def __init__(self, file_path: pl.Path = None):
    """
    初始化对象
    :param file_path: TXT数据存放的路径，默认自身目录下的tmp文件夹
    """
    self.file_path = pl.Path('./tmp') if not file_path else file_path
    self.files = list(self.file_path.glob('2*.txt'))
    self.cols_dict = None
    self.colname_dict = {
        'D0': 'License Type',
        'D1': 'License Number',
        'D2': 'Manufacturer Full Name',
        'D3': 'Manufacturer ID',
        'D4': 'City',
        'D5': 'State',
        'D6': 'Full Name',
        'D7': 'Payment Category',
        'D8': 'Covered Recipient ID'
    }
    self.colname_dict_T = {v: k for k, v in self.colname_dict.items()}

def make_excels(self):
    """
    将每个数据文件单独转换为excel数据表用于分析每份数据
    :return:
    """
    for file in self.files:
        with open(file, 'r') as fin:
            res = json.loads(fin.read())
        dfx = pd.DataFrame(res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'])
        dfx['filename'] = file.stem
        dfx[['year', 'part']] = dfx['filename'].str.split('_', expand=True)
        dfx['C_count'] = dfx['C'].map(len)
        writer = pd.ExcelWriter(self.file_path / f'{file.stem}.xlsx')
        dfx.to_excel(writer, sheet_name='data')
        for k, v in res['results'][0]['result']['data']['dsr']['DS'][0]['ValueDicts'].items():
            dfx = pd.Series(v).to_frame()
            dfx.to_excel(writer, sheet_name=k)
        writer.save()
    print('所有数据均已转为Excel')

def make_single_excel(self):
    """
    将所有数据生成一份excel文件，不包含字典
    :return:
    """
    # 合并成整个文件
    df = pd.DataFrame()
    for file in self.files:
        with open(file, 'r') as fin:
            res = json.loads(fin.read())
        dfx = pd.DataFrame(res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'])
        dfx['filename'] = file.stem
        dfx[['year', 'part']] = dfx['filename'].str.split('_', expand=True)
        dfx['C_count'] = dfx['C'].map(len)
        df = pd.concat([df, dfx])
    return df

def get_cols_dict(self):
    """
    读取列关系的字典
    :return:
    """
    # 读取列字典表
    self.cols_dict = pd.read_excel(self.file_path.parent / 'cols_dict.xlsx')
    self.cols_dict.set_index('R', inplace=True)
    self.cols_dict = self.cols_dict.dropna()
    self.cols_dict.drop(columns=['C_count', ], inplace=True)
    self.cols_dict.columns = [col.split(':')[-1] for col in self.cols_dict.columns]
    self.cols_dict = self.cols_dict.astype('int')

def make_dataframe(self, filename):
    """
    读取TXT文件，转换成dataframe
    :param filename: 需要转换的文件
    :return: 
    """
    with open(filename, 'r') as fin:
        res = json.loads(fin.read())
    df0 = pd.DataFrame(res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'])
    df0['R'] = df0['R'].fillna(0)
    df0['R'] = df0['R'].map(int)
    values_dict = res['results'][0]['result']['data']['dsr']['DS'][0]['ValueDicts']

    dfx = []
    for idx in df0.index:
        row_value = df0.loc[idx, 'C'].copy()
        cols = self.cols_dict.loc[int(df0.loc[idx, 'R'])].to_dict()
        row = {}
        for col in ['License Type', 'License Number', 'Manufacturer Full Name', 'Manufacturer ID', 'City', 'State',
                    'Full Name', 'Payment Category', 'Disclosure Year', 'Covered Recipient ID', 'Amount of Payment',
                    'Number of Events Reflected']:
            v = cols.get(col)
            if v:
                value = row_value.pop(0)
                if col in self.colname_dict.values():
                    if not isinstance(value, str):
                        value_list = values_dict.get(self.colname_dict_T.get(col), [])
                        value = value_list[value]
                row[col] = value
            else:
                row[col] = None
        row['R'] = int(df0.loc[idx, 'R'])
        dfx.append(row)

    dfx = pd.DataFrame(dfx)
    dfx = dfx.fillna(method='ffill')
    dfx[['Disclosure Year', 'Number of Events Reflected']] = dfx[
        ['Disclosure Year', 'Number of Events Reflected']].astype('int')
    dfx = dfx[['Covered Recipient ID', 'Full Name', 'License Type', 'License Number', 'Manufacturer ID',
               'Manufacturer Full Name', 'City',
               'State', 'Payment Category', 'Amount of Payment', 'Number of Events Reflected', 'Disclosure Year',
               'R']]
    return dfx

def parse_data(self, out_name: str = None):
    """
    解析合并数据
    :param out_name: 输出的文件名
    :return: 
    """
    df = pd.DataFrame()
    for n, f in enumerate(self.files):
        dfx = self.make_dataframe(f)
        df = pd.concat([df, dfx])
        print(f'完成第{n + 1}个文件，剩余{len(self.files) - n - 1}个，共{len(self.files)}个')
    df.drop(columns='R').to_csv(self.file_path / f'{out_name}.csv', index=False)
    return df

方案二

使用方案二处理数据时，在进行数据后验后发现，还有两个细节问题需要解决:
一是返回值中出现了新的关键字“Ø”，经手工验证才知道代表输出的行中，存在本身就是空值的情况，遍历数据后，发现只有出现3个不同值(60, 128, 2048)，因此，手工制作了col_dict(详见代码)。\

class ParseDatav2:

"""
解析数据的对象第二版，将按行爬取的的json文件，转换成dataframe，增量写入csv文件，
因每次请求一行，首行数据不存在与上一行相同情形，因此，除个别本身无数据情况，绝大多数均为完整的12列数据,
"""
def __init__(self):
    """
    初始化
    """
    # 初始化一行的dataframe，
    self.row = pd.DataFrame([
        'Covered Recipient ID', 'Full Name', 'License Type', 'License Number', 'Manufacturer ID',
        'Manufacturer Full Name', 'City', 'State', 'Payment Category', 'Amount of Payment',
        'Number of Events Reflected', 'Disclosure Year'
    ]).set_index(0)
    self.row[0] = None
    self.row = self.row.T
    self.row['idx'] = None
    # 根据 Ø 值的不同选择不同的列，目前仅三种不同的Ø值，注0为默认值，指包含所有列
    self.col_dict = {
        # 完整的12列
        0: ['License Type', 'License Number', 'Manufacturer Full Name', 'Manufacturer ID', 'City', 'State',
            'Full Name', 'Payment Category', 'Disclosure Year', 'Covered Recipient ID', 'Amount of Payment',
            'Number of Events Reflected'],
        # 有4列是空值，分别是 'Manufacturer Full Name', 'Manufacturer ID', 'City', 'State'
        60: ['License Type', 'License Number',
             'Full Name', 'Payment Category', 'Disclosure Year', 'Covered Recipient ID', 'Amount of Payment',
             'Number of Events Reflected'],
        # 有1列是空值，是 'Payment Category'
        128: ['License Type', 'License Number', 'Manufacturer Full Name', 'Manufacturer ID', 'City', 'State',
              'Full Name', 'Disclosure Year', 'Covered Recipient ID', 'Amount of Payment',
              'Number of Events Reflected'],
        # 有1列是空值，是 'Number of Events Reflected'
        2048: ['License Type', 'License Number', 'Manufacturer Full Name', 'Manufacturer ID', 'City', 'State',
               'Full Name', 'Payment Category', 'Disclosure Year', 'Covered Recipient ID', 'Amount of Payment'],
    }
    # 列名转换字典
    self.colname_dict = {
        'License Type': 'D0',
        'License Number': 'D1',
        'Manufacturer Full Name': 'D2',
        'Manufacturer ID': 'D3',
        'City': 'D4',
        'State': 'D5',
        'Full Name': 'D6',
        'Payment Category': 'D7',
        'Covered Recipient ID': 'D8'
    }
    # 储存爬取的json文件的路径
    self.data_path = pl.Path('./tmp')
    # 获取json文件的迭代器
    self.files = self.data_path.glob('*.txt')
    # 初始化输出文件的名称及路径
    self.file_name = self.data_path.parent / 'data.csv'

def create_csv(self):
    """
    先输出一个CSV文件头用于增量写入数据
    :return:
    """
    self.row.drop(0, axis=0).to_csv(self.file_name, index=False)

def parse_data(self, filename: pl.Path):
    """
    读取按1行数据请求获取的json文件，一行数据
    :param filename: json文件的路径
    :return: None
    """
    row = self.row.copy()  # 复制一行dataframe用于后续修改
    res = PageSpider.read_json(filename)
    # 获取数据中的valuedicts
    valuedicts = res['results'][0]['result']['data']['dsr']['DS'][0]['ValueDicts']
    # 获取数据中每行的数据
    row_values = res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'][0]['C']
    # 获取数据中的'Ø'值(若有)，该值代表输出的行中，存在空白部分，用于确定数据列
    cols = ic(self.col_dict.get(
        res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'][0].get('Ø', 0)
    ))
    # 遍历每行数据，修改row这个dataframe的值
    for col, value in zip(cols, row_values):
        ic(col, value)
        colname = self.colname_dict.get(col)  # colname转换，D0~D8
        if colname:  # 如果非空，则需要转换值
            value = valuedicts.get(self.colname_dict.get(col))[0]
        # 修改dataframe数据
        row.loc[0, col] = value
    # 写入索引值
    row['idx'] = int(filename.stem.split('_')[-1].replace('part', ''))
    return row

def run(self):
    """
    运行写入程序
    """
    self.create_csv()
    for idx, filename in enumerate(self.files):
        row = self.parse_data(filename)
        row.to_csv(self.file_name, mode='a', header=None, index=False)
        print(f'第{idx + 1}个文件{filename.stem}写入表格成功')
    print('全部文件写入完成')

二是每行数据请求，nrows需要设置为2，而最后一行数据无法通过该方式获取，因此，需要从最后一个返回的json数据中解析出最后一行数据(详见LastRow类)

class LastRow:

"""
获取并写入最后一行数据的类
由于每次请求一行数据的方式，存在缺陷，无法获取到最后一行数据，
本方法是对最后一个能够获取的json(倒数第二行)进行解析，取得最后一行数据，
本方法存在缺陷，即默认最后一行“Amount of Payment”列值一定与倒数第二行不同，
目前2009年至2020年共12年的数据中，均满足上述条件，没有出错。
除本方法外，还可以通过逆转排序请求的方式，获取最后一行数据
"""
def __init__(self):
    """
    初始化
    """
    self.file_path = pl.Path('./tmp')  # 存储爬取json数据的路径
    self.files_df = pd.DataFrame()  # 初始化最后一份请求的dataframe
    # 列名对应的字典
    self.colname_dict = {
        'D0': 'License Type',
        'D1': 'License Number',
        'D2': 'Manufacturer Full Name',
        'D3': 'Manufacturer ID',
        'D4': 'City',
        'D5': 'State',
        'D6': 'Full Name',
        'D7': 'Payment Category',
        'year': 'Disclosure Year',
        'D8': 'Covered Recipient ID',
        'M0': 'Amount of Payment',
        'M1': 'Number of Events Reflected'
    }  
    self.data = pd.DataFrame()  # 初始化最后一行数据data

def get_last_file(self):
    """
    遍历文件夹，取得最后一份请求的dataframe
    """
    self.files_df = pd.DataFrame(list(self.file_path.glob('*.txt')), columns=['filename'])
    self.files_df[['year', 'idx']] = self.files_df['filename'].map(lambda x: x.stem).str.split('_', expand=True)
    self.files_df['idx'] = self.files_df['idx'].str.replace('part', '')
    self.files_df['idx'] = self.files_df['idx'].astype(int)
    self.files_df.sort_values(by=['year', 'idx'], inplace=True)
    self.files_df = self.files_df.drop_duplicates('year', keep='last')

def get_last_row(self, ser: pd.Series) -> pd.DataFrame:
    """
    解析文件，获取最后一行的数据
    :param ser: 一行文件信息的series
    """
    # 读取json数据
    res = PageSpider.read_json(ser['filename'])
    # 获取values_dict
    values_dict = res['results'][0]['result']['data']['dsr']['DS'][0]['ValueDicts']
    # 获取文件中的第一行数据
    row_values = res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'][0]['C']
    # 获取文件中的下一行数据，因文件是倒数第二行的数据，因此下一行即为最后一行
    next_row_values = res['results'][0]['result']['data']['dsr']['DS'][0]['PH'][0]['DM0'][1]['C']
    # 初始化Series
    row = pd.Series()
    # 解析数据填充series
    for k, col in self.colname_dict.items():
        value = row_values.pop(0)
        if k.startswith('D'):  # 如果K值是D开头
            values = values_dict[k]
            if len(values) == 2:
                value = next_row_values.pop(0)
            value = values[-1]
        elif k == 'year':
            pass
        else:
            if next_row_values:
               value = next_row_values.pop(0)
        row[col] = value
    row['idx'] = ser['idx'] + 1
    row = row.to_frame().T
    return row

def run(self):
    """
    运行获取最后一行数据的方法
    """
    self.get_last_file()
    for i in self.files_df.index:
        self.data = pd.concat([self.data, self.get_last_row(self.files_df.loc[i])])
    self.data = self.data[[
        'Covered Recipient ID', 'Full Name', 'License Type', 'License Number', 'Manufacturer ID',
        'Manufacturer Full Name', 'City', 'State', 'Payment Category', 'Amount of Payment',
        'Number of Events Reflected', 'Disclosure Year', 'idx'
    ]]
    filename = self.file_path.parent / 'data.csv'
    self.data.to_csv(filename, mode='a', index=False, header=None)
    return self.data

结果展示

2010年

2015年

2020年尾部

延伸思考

如果将上述方案一与方案二结合，整理出所有不同R关系的行样例，使用方案二爬取少量的部分示例，然后推导出完整的R关系字典，再使用方案一的方法进行爬取解析，将大大节约时间。该方式在数据量远远超过当前数量时，可以考虑使用。

总结
完成整个项目过程中历经了:暗爽(不到1小时就完成了爬虫部分功能)->迷茫(JS逆向失败，无法总结R关系规律)->焦虑与烦躁(担心无法完成任务，手工查询规则5个多小时)->开窍(复盘过程中突然发现新思路)一系列过程。最终结果还是较为顺利的完成了整个任务，而最大的感触还是思路的开拓:一条路走不通时，也许换个方向就能解决问题(注：count参数500一开始就使用了，只是一直在增加请求的行数，而一直没有想到减少请求的行数这么一个小小的改变，就能带来巨大的突破)。

我是政胤期待你的关注

Python爬虫爬取下载美国科研网站数据

完整参数就略过，关键参数以下三项：

1.筛选年份的参数，示例：

2.请求下一批数据(请求首批数据时无需传入该参数)，示例：

注：以上"RestartTokens"的值在前一批数据的response中，为上一批数据的返回字典值，示例res'results''result''dsr'0

3.请求页面的行数(浏览器访问默认是500行/页,但爬虫访问的话...你懂的)，示例：

参数还有很多，例如排序的参数ordby，各种筛选项等

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像

Python爬虫 爬取下载美国科研网站数据

完整参数就略过，关键参数以下三项：

1.筛选年份的参数，示例：

2.请求下一批数据(请求首批数据时无需传入该参数)，示例：

注：以上"RestartTokens"的值在前一批数据的response中，为上一批数据的返回字典值，示例res'results''result''dsr'0

3.请求页面的行数(浏览器访问默认是500行/页,但爬虫访问的话...你懂的)，示例：

参数还有很多，例如排序的参数ordby，各种筛选项等

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像

Python爬虫爬取下载美国科研网站数据