Python + Chrome 爬虫：如何抓取 AJAX 动态加载数据？

在现代 Web 开发中，AJAX（Asynchronous JavaScript and XML） 技术被广泛应用于动态加载数据，使得网页能够在不刷新的情况下更新内容。然而，这也给传统爬虫带来了挑战——使用 <font style="color:rgb(64, 64, 64);">requests</font> + <font style="color:rgb(64, 64, 64);">BeautifulSoup</font> 只能获取初始 HTML，而无法捕获 AJAX 返回的动态数据。

解决方案：

• Selenium + ChromeDriver：模拟浏览器行为，等待 AJAX 数据加载完成后再抓取。
• 直接分析 AJAX 请求：通过 Chrome DevTools 捕获 API 接口，用 requests 直接请求数据（更高效）。

本文将详细介绍 Python + Chrome 如何抓取 AJAX 动态数据，并提供两种方法的完整实现代码。

1. 理解 AJAX 动态加载

1.1 AJAX 工作原理

• 用户访问网页 → 浏览器加载初始 HTML。
• JavaScript 发起 AJAX 请求（通常是 fetch 或 XMLHttpRequest）。
• 服务器返回 JSON/XML 数据 → 前端动态渲染到页面。

1.2 传统爬虫的问题

import requests
from bs4 import BeautifulSoup

response = requests.get("https://example.com")
soup = BeautifulSoup(response.text, "html.parser")
# 只能获取初始 HTML，无法得到 AJAX 数据！

2. 方法 1：使用 Selenium + Chrome 模拟浏览器

2.1 环境准备

安装必要的库

2.2 示例：爬取动态加载的新闻列表

假设目标网站（如新浪新闻）通过 AJAX 加载更多新闻。

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.chrome.options import Options
from webdriver_manager.chrome import ChromeDriverManager
import time

# 设置代理信息
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"

# 配置 Chrome 代理
chrome_options = Options()
chrome_options.add_argument(f"--proxy-server=http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}")

# 启动 Chrome
driver = webdriver.Chrome(service=Service(ChromeDriverManager().install()), options=chrome_options)
driver.get("https://news.sina.com.cn/")

# 等待 AJAX 内容加载（假设新闻列表通过 AJAX 渲染）
try:
    WebDriverWait(driver, 10).until(
        EC.presence_of_element_located((By.CSS_SELECTOR, ".news-item"))
    )
except:
    print("超时，未找到新闻列表")

# 提取新闻标题和链接
news_items = driver.find_elements(By.CSS_SELECTOR, ".news-item")
for item in news_items:
    title = item.find_element(By.CSS_SELECTOR, "a").text
    link = item.find_element(By.CSS_SELECTOR, "a").get_attribute("href")
    print(f"标题: {title}\n链接: {link}\n")

# 关闭浏览器
driver.quit()

2.3 关键点说明

• WebDriverWait：显式等待 AJAX 数据渲染完成。
• EC.presence_of_element_located：检查目标元素是否已加载。
• find_elements + CSS/XPath：定位动态生成的内容。

3. 方法 2：直接抓取 AJAX API 数据（更高效）

3.1 分析 AJAX 请求

1. 打开 Chrome → F12（开发者工具） → Network（网络） 标签页。
2. 刷新页面，筛选 XHR/fetch 请求。
3. 找到返回目标数据的 API 接口（通常是 json 格式）。

3.2 示例：爬取豆瓣电影 AJAX 数据

豆瓣电影首页通过 AJAX 加载热门电影列表。

步骤 1：分析 API

• 打开 https://movie.douban.com → F12 → Network → 筛选 XHR。
• 发现 API：https://movie.douban.com/j/search_subjects?...

步骤 2：用 Python 直接请求 API

import requests
import json

# 豆瓣电影 AJAX API
url = "https://movie.douban.com/j/search_subjects?type=movie&tag=热门&sort=recommend&page_limit=20&page_start=0"

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"
}

response = requests.get(url, headers=headers)
data = response.json()  # 直接解析 JSON

# 提取电影信息
for movie in data["subjects"]:
    print(f"电影名: {movie['title']}")
    print(f"评分: {movie['rate']}")
    print(f"链接: {movie['url']}\n")

3.3 优势与限制

• 优势：速度快，无需加载完整页面。
• 限制：需手动分析 API，部分接口可能有加密或鉴权。

7. 总结

最佳实践建议

1. 优先分析 AJAX API：如果目标网站有清晰的接口，直接请求更高效。
2. Selenium 备用：适用于无法直接获取 API 或需要交互的页面。
3. 遵守 Robots.txt：避免高频请求，防止被封禁。