用 ChatGPT 网页爬虫发现隐藏的网络数据

admin 管理员组

文章数量: 887017

文章目录

• • 什么是隐藏的网络数据？
  • 如何爬取隐藏的网络数据？
  • 设置
  • 使用 chatgpt 爬取隐藏的网络数据
  • • ChatGPT 字符限制
  • 常见问题解答
  • • • 什么是隐藏的网页数据？
      • ChatGPT 能够抓取隐藏数据吗？
      • AI 能够帮助进行网页抓取吗？
      • 我可以使用 BeautifulSoup 抓取隐藏的网页数据吗？
  • 使用 ChatGPT 抓取隐藏数据总结

要爬取隐藏的数据，我们有两个选择：

• 使用无头浏览器将其渲染为 HTML，从而使其显示出来。
• 直接使用文本解析技术找到它。

在本文中，我们将介绍第二种选择以及如何使用 ChatGPT 来爬取隐藏的数据。我们将从快速概述这种技术开始，然后探索一些实际示例。让我们开始吧！

1. 什么是隐藏的网络数据？
2. 如何爬取隐藏的网络数据？
3. 设置
4. 使用 ChatGPT 爬取隐藏的网络数据
   1. ChatGPT 字符限制
5. 使用 ScrapFly 爬取隐藏数据
6. 常见问题解答
7. 使用 ChatGPT 爬取隐藏数据总结

SCRAPFLY 学院

学习更多网络爬虫知识 ☝️

什么是隐藏的网络数据？

动态网页使用 JavaScript 函数来管理 HTML 的状态。这些函数将实际的 HTML 与数据逻辑隔离开来。这意味着网站可能具有空的 HTML 结构，并且数据会在页面加载时由 JavaScript 渲染到 HTML 中。

由于像 BeautifulSoup 这样的常规网络爬虫工具不支持 JavaScript，因此这些数据不会出现在 HTML 中，因此无法通过 HTML 解析来获取。

例如，在这个模拟产品页面上，我们可以在浏览器中看到这些评论数据：

此外，如果我们在浏览器中检查页面，我们可以看到这些数据存在于 HTML 中：

<div id="reviews" data-page="1">
  <div class="review review-red-potion-1">
    <span>2023-02-10</span>
    <p>The berry flavor is intense and delicious. Great for keeping me focused during my gaming sessions.</p>
  </div>
  <div class="review review-red-potion-2">
    <span>2023-03-20</span>
    <p>Not only does it look cool, but it tastes great and gives a good energy boost!</p>
  </div>
  <div class="review review-red-potion-3">..</div>
  <div class="review review-red-potion-4">..</div>
</div>

然而，如果我们运行一个简单的 BeautifulSoup 爬虫代码，我们会发现 HTML 中没有评论数据：

from bs4 import BeautifulSoup
import requests

r = requests.get('https://web-scraping.dev/product/4?variant=one')
soup = BeautifulSoup(r.content, 'html.parser')

print (soup)
"""
<h3 class="box-title mt-5">Reviews</h3>
<div data-page="1" id="reviews">
</div>
</div>
</div>
</div>
</div>
</div>
<input name="csrf-token" type="hidden" value="secret-csrf-token-123"/>
<script id="reviews-data" type="application/json">[{"date": "2023-02-10", "id": "red-potion-1", "rating": 5, "text": "The berry flavor is intense and delicious. Great for keeping me focused during my gaming sessions."}..]</script>
<script id="reviews-template" type="nunjucks">
"""

存储数据的 div 标签现在是空的，数据似乎被隐藏起来了。

如果我们仔细观察，我们会发现这些隐藏的数据现在以 JSON 格式出现在 <script id="reviews-data"> 标签中。

这些数据应该已经被渲染到 HTML 中。但是由于我们使用的网络爬虫不支持 JavaScript，这个过程无法进行。

因此，总结一下，我们可以看到 HTML 网络爬虫无法直接爬取隐藏的网络数据。让我们看看我们该如何做！

如何爬取隐藏的网络数据？

我们有几种方法可以爬取隐藏的网络数据：

我们可以使用无头浏览器，如 Selenium、Playwright 和 Puppeteer。

这些无头浏览器可以模拟和控制真实的网络浏览器。我们可以使用它们将隐藏的数据渲染到 HTML DOM 中，然后像往常一样使用 BeautifulSoup 进行解析。

然而，这种方法可以将隐藏的数据渲染到 HTML 中，但代价是很大的。无头浏览器消耗大量的时间和资源，因为我们需要运行一个完整的网络浏览器，并等待加载完成。

或者，我们可以直接在网页中查找数据，使用 正则表达式 和 JSON 查找算法。

这种方法允许无浏览器的爬虫直接爬取隐藏的数据，但我们需要提供明确的指示去找到它。这就是 ChatGPT 的用武之地。

我们可以使用 ChatGPT 来编写查找隐藏数据的程序。它的工作原理是将 HTML 代码传递给聊天提示，ChatGPT 将从页面数据中识别和提取隐藏数据。

我们之前已经介绍过了使用 ChatGPT 查找网页元素的类似方法，但现在我们将用它来处理非 HTML 实体。让我们看看如何让 ChatGPT 爬取隐藏的数据。

设置

在我们开始使用 chatgpt 查找隐藏的网络数据之前，让我们先看一下我们的目标网站。
在这个例子中，我们将使用 web-scraping.dev/product/4 页面：

要将此页面传递给 ChatGPT 的聊天提示，我们首先需要复制 HTML，可以直接从浏览器保存（CTRL+s），或使用 Python 进行爬取：

import requests
response = requests.get("https://web-scraping.dev/product/4")
print(response.text)

🙋‍ 如果你有一个非常长的 HTML 文件，你可以将 HTML 代码拆分成较小的块，并将它们作为 chatgpt 的聊天提示，因为 chatgpt 有一个字符限制。

使用 chatgpt 爬取隐藏的网络数据

现在我们已经得到了 HTML 代码，让我们使用 chatgpt 查找隐藏的网络数据。
我们将代码粘贴到聊天提示中，并询问隐藏数据：

ChatGPT 将扫描 HTML 文档，并为我们找到隐藏的数据元素：

我们可以看到它很好地找到了包含评论数据的脚本。接下来，我们可以要求它清理和格式化结果：

你能清理评论数据并将其格式化为 JSON 吗？

ChatGPT 足够智能，可以找到并呈现这些数据。我们可以要求它为我们生成解析代码，通过进一步的提示请求，例如 "

ChatGPT 字符限制

虽然我们可以使用 chatgpt 爬取隐藏的网络数据，但是复杂的网站和较长的 HTML 文件无法适应聊天提示的限制。
例如，这个 Glassdoor 页面 上有一些隐藏的数据：

Glassdoor 的整个页面数据集位于 NEXT_DATA 脚本元素中

不幸的是，Glassdoor 的巨大 HTML 页面无法适应聊天提示，以便我们利用 chatgpt。

为此，新的 chatgpt 代码解释器功能非常有用，它允许直接上传文件。我们在 使用代码解释器创建 chatgpt 网络爬虫 文章中介绍了这种方法，更多细节可以参考该文章，基本上，我们会直接附加 HTML 文件，而不是将其粘贴到聊天提示中。

如何爬取 Glassdoor（2024 更新）

关于使用 Python 爬取 Glassdoor 的更多信息，请参阅我们的完整入门教程，该教程使用隐藏的网络数据爬取来爬取工作、公司和评论数据。

常见问题解答

让我们通过查看一些与使用 ChatGPT 抓取隐藏网页数据相关的常见问题来总结本文：

什么是隐藏的网页数据？

隐藏的网页数据是在脚本标签或 JavaScript 变量中找到的数据。这种类型的数据通常是隐藏的，因为它需要使用 JavaScript 渲染，而普通的网页抓取工具（如 BeautifulSoup）不支持。

ChatGPT 能够抓取隐藏数据吗？

是的，可以通过将 HTML 页面传递给聊天提示来实现。ChatGPT 将解析 HTML 并在脚本标签或 JavaScript 变量中找到隐藏的网页数据。

AI 能够帮助进行网页抓取吗？

是的，有多种方式可以实现。您可以使用 ChatGPT 代码解释器功能 创建一个 AI 网站抓取工具，它可以在聊天中运行代码。您还可以创建一个 chatgpt 抓取工具来解析 HTML 并提取诸如 XPath 和 CSS 选择器之类的选择器。

我可以使用 BeautifulSoup 抓取隐藏的网页数据吗？

可以，但由于 BeautifulSoup 不支持 JavaScript，您将无法在 HTML 中找到隐藏的数据。您需要使用正则表达式或 JSON 查找算法从 JavaScript 脚本标签中解析数据。

使用 ChatGPT 抓取隐藏数据总结

总之，隐藏的网页数据是保存在脚本标签或 JavaScript 变量中的数据，通过在浏览器中运行 JavaScript 渲染为 HTML。我们可以通过多种方式抓取隐藏的网页数据，包括使用无头浏览器、从脚本标签中解析 JSON 和 ChatGPT。

我们已经看到使用 chatgpt 可以找到并抓取隐藏数据。然而，在使用聊天提示时需要小心。清晰的提示说明和简短的 HTML 代码是获得良好 ChatGPT 网页抓取结果的关键。

本文标签： 爬虫 发现 网页 数据 网络