AI新闻爬虫：传统爬虫和XHR异步加密爬虫的碰撞 - 文章 - 开发者社区

前言

AI的发展日新月异，及时掌握一些AI的消息和妹子聊天时也不至于词穷（不建议和妹子聊技术）。

picture.image

所以这里就以36氪和虎嗅网为例，来讲一下如何爬取AI新闻消息以及数据整合。36氪和虎嗅网这两个网站新闻爬虫比较具有代表性，36氪是传统的html网页爬虫，虎嗅网是异步api加载加密的爬虫，这里就从简单的36氪讲起。

36Kr

在36Kr通过搜索框输入AI，然后在快讯频道就可以看到最新的AI咨询。

picture.image

对于判断爬取一个网站是使用传统html方式，还是异步加载的方式，最简单的方法就是“搜索”。根据从网页上看到的信息关键字进行搜索，来看看关键字出现在哪个请求中。

picture.image

可以看到关键字出现在了html中，而不是xhr接口中，所以在36Kr获取最新的AI快讯就就是对HTML进行解析即可。接着看看HTML请求头信息，获取URL来获取HTML。

picture.image

通过python的requests模块发起请求，最后解析目标数据实现36Kr AI快讯爬虫的代码开发。在python中，对html常用的解析方式有：BeautifulSoup和Xpath，因为之前写scrapy爬虫比较多，所以我个人比较喜欢使用scrapy.Selector，这里推荐大家用一下。

import requests
from scrapy import Selector

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36',
}
url = 'https://36kr.com/search/newsflashes/AI'
response = requests.get(url, headers)
response = Selector(response)
articles = response.css('div.newsflash-item')
for article in articles:
    title = ''.join(article.css("a ::text").extract())
    url = 'https://36kr.com' + article.css("a::attr(href)").extract()[0]
    time = article.css("span.time::text").extract()[0]
    print(title, time, url)

Selector支持xpath和css语法，我这里使用的是css，这里只讲一个知识点：在获取title的哪行代码，通过a ::text获取a标签以及a标签下所有元素的文本内容。这里一定是有空格的，没有空格的话，只能获取a标签的文本。

最后解析了title、url、time三个字段，如果想爬取具体的新闻内容，可以在在for循环中对获取的url发起请求，在进行解析即可。

picture.image

虎嗅网

虎嗅网同样也是在搜索框输入“AI”，搜索AI有关的资讯。在控制台通过搜索关键字，我们在xhr异步接口中发现了新闻咨询内容。

picture.image

如图，新闻数据通过接口请求返回json的方式渲染的，而非36Kr返回的HTML，所以虎嗅网AI新闻咨询爬虫就是一个比较常见的XHR动态加载的爬虫。

查看请求头，分析请求需要的参数:

picture.image

从platform到pagesize参数这里就不多讲了，appid是固定的。

picture.image

有兴趣的可以打断点看看，这里主要讲讲nonce、timestamp、signature三个参数。

nonce、timestamp、signature

在 j(t) 方法中，可以看到nonce、timestamp、signature的构造过程。

picture.image

nonce是调用 D() 方法生成的字符串，就是从[A-Z|0-9|a-z]中随机抽取16个字符。

function D() {
  for (var t = arguments.length > 0 && void 0 !== arguments[0] ? arguments[0] : 16, 
  e = "abcdefghijklmnopqrstuvwxyz1234567890ABCDEFGHIJKLMNOPQRSTUVWXYZ", 
  n = "", i = 0; i < t; i++)
      n += e.charAt(Math.floor(Math.random() * e.length));
  return n
}

为了表现得更直观，打上了断点。

picture.image

timestamp就是10位的时间戳，signature调用了一个 f 方法，参数是列表r。这个列表r是怎么来的呢？是将一个固定字符串n、timestamp、nonce放进去，然后进行排序，最后将三个元素拼接成一个字符串进行加密。

我们接着探究f()：

picture.image

t就是传进来的三合一的参数。然后就是密密麻麻的各种字节运算、位运算。正常情况下，是先将一行行js代码读懂，然后转换成python实现，最后返回signature。这就有点浪费时间了...

Don't Worry！！经常搞爬虫的朋友都知道，这其实就是个SHA-1加密，在python都是有现成的库...

所以

import requests
import math
import random
import time
import hashlib
import json

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/111.0.0.0 Safari/537.36',
    'Referer': 'https://www.huxiu.com/',
    'Origin': 'https://www.huxiu.com',
    'Content-Type': 'application/json'
}


def D():
    e = "abcdefghijklmnopqrstuvwxyz1234567890ABCDEFGHIJKLMNOPQRSTUVWXYZ"
    n = ""
    for i in range(0, 16):
        n += e[math.floor(random.random() * len(e))]
    return n


nonce = D()
timestamp = int(time.time())
n = 'hUzaABtNfDE-6UiyaYhfsmjW-8dnoyVc'
lists = [str(timestamp), str(n), str(nonce)]
lists.sort()
t = ''.join(lists)
hash_object = hashlib.sha1(t.encode())
signature = hash_object.hexdigest()
s = 'ai'
page = 1
pagesize = 20

url = f'https://search-api.huxiu.com/api/article?platform=www&s={s}&sort=&page=1&pagesize=20&appid=hx_search_202303&nonce={nonce}&timestamp={timestamp}&signature={signature}'
data = {
    'platform': 'www',
    's': s,
    'sort': '',
    'page': 1,
    'pagesize': 20,
    'appid': 'hx_search_202303',
    'nonce': nonce,
    'timestamp': timestamp,
    'signature': signature
}
response = requests.post(url, headers)
data = json.loads(response.text)
if data:
    datalist = data['data']['datalist']
    for article in datalist:
        title = article['title'].replace('</em>', '').replace('<em>', '')
        url = article['url']
        author = article['author']
        print(title, author, url)