【Python】Python3网络爬虫实战-36、分析Ajax爬取今日头条街拍美图

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了【Python】Python3网络爬虫实战-36、分析Ajax爬取今日头条街拍美图，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含6215字，纯文字阅读大概需要9分钟。

内容图文

本节我们以今日头条为例来尝试通过分析 Ajax 请求来抓取网页数据的方法，我们这次要抓取的目标是今日头条的街拍美图，抓取完成之后将每组图片分文件夹下载到本地保存下来。

1. 准备工作

在本节开始之前请确保已经安装好了 Requests 库，如没有安装可以参考第一章的安装说明。

2. 抓取分析

在抓取之前我们首先要分析一下抓取的逻辑，首先打开今日头条的首页：http://www.toutiao.com/，如图 6-15 所示：

图 6-15 首页内容
在右上角有一个搜索入口，在这里我们尝试抓取街拍美图，所以输入“街拍”二字搜索一下，结果图 6-16 所示：

图 6-16 搜索结果
这样我们就跳转到了搜索结果页面。Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

这时打开开发者工具，查看一下所有网络请求，我们首先打开第一个网络请求，这个请求的 URL 就是当前的链接：http://www.toutiao.com/search…，打开 Preview 选项卡查看 Response Body，如果页面中的内容是直接请求直接加载出来的，那么这第一个请求的源代码中必然包含了页面结果中的文字，为了验证，我们可以尝试尝试搜索一下搜索结果的标题，比如“路人”二字，如图 6-17 所示：

图 6-17 搜索结果
然而发现网页源代码中并没有包含这两个字，搜索匹配结果数目为 0。
所以我们就可以初步判断出这些内容是由 Ajax 加载然后用JavaScript 渲染出来的，所以接下来我们可以切换到 XHR过滤选项卡查看一下有没有 Ajax 请求。

不出所料，此处出现了一个比较常规的 Ajax 请求，观察一下它的结果是否包含了页面中的相关数据。
点击 data 字段展开，发现这里有许多条数据，我们点击第一条继续展开，可以发现有一个 title 字段，它的值正好就是页面中的第一条数据的标题，再检查一下其他的数据也正好是一一对应的，如图 6-18 所示：

图 6-18 对比结果
那这就确定了这些数据确实是由 Ajax 加载的。
我们的目的是要抓取其中的美图，这里一组图就对应上文中的 data 字段中的一条数据，每条数据还有一个image_detail 字段，它是一个列表形式，这其中就包含了组图的所有图片列表，如图 6-19 所示：

图 6-19 图片列表信息
所以我们只需要将列表中的 url 字段提取出来并下载下来就好了，每一组图都建立一个文件夹，文件夹的名称就命名为组图的标题。
接下来我们就可以直接用 Python 来模拟这个 Ajax 请求，然后提取出相关美图链接并下载即可。但是在这之前我们还需要分析一下 URL 的规律。
切换回 Headers 选项卡，我们观察一下它的请求 URL 和 Headers 信息，如图 6-20 所示：

图 6-20 请求信息
可以看到这是一个 GET 请求，请求 URL 的参数有 offset、format、keyword、autoload、count、cur_tab，我们需要找出这些参数的规律才方便用程序构造出来。
接下来我们可以滑动页面，多加载一些新的结果，在加载的同时可以发现 Network 中又出现了许多 Ajax 请求，如图 6-21 所示：

evernotecid://D603D29C-DFBA-4C04-85E9-CCA3C33763F6/appyinxiangcom/23852268/ENResource/p193

图 6-21 Ajax 请求
在这里观察一下后续链接的参数，可以发现变化的参数只有offset，其他的都没有变化，而且第二次请求的 offset 值为 20，第三次为 40，第四次为 60，所以可以发现规律，这个 offset 值就是偏移量，而进而可以推断出 count 参数就是一次性获取的数据条数，所以我们可以用 offset 参数来控制数据分页，这样一来，我们就可以通过接口批量获取数据了，然后将数据解析，将图片下载下来就大功告成了。

3. 实战演练

我们刚才已经分析了一下 Ajax 请求的逻辑，下面我们就用程序来实现美图下载吧。
首先我们实现一个方法用于加载单个 Ajax 请求的结果，叫做 get_page()，其中唯一变化的参数就是 offset，所以我们将 offset 当作参数传递，方法实现如下：

import requests
from urllib.parse import urlencode

def get_page(offset):
??? params = {
??????? 'offset': offset,
??????? 'format': 'json',
??????? 'keyword': '街拍',
??????? 'autoload': 'true',
??????? 'count': '20',
??????? 'cur_tab': '1',
??? }
??? url = 'http://www.toutiao.com/search_content/?' + urlencode(params)
??? try:
??????? response = requests.get(url)
??????? if response.status_code == 200:
??????????? return response.json()
??? except requests.ConnectionError:
??????? return None

在这里我们用 urlencode() 方法构造了请求的 GET 参数，然后用 Requests 请求这个链接，如果返回状态码为 200，则调用 response 的 json() 方法将结果转为 Json 格式，然后返回。
接下来我们再实现一个解析方法，提取每条数据的 image_detail 字段中的每一张图片链接，将图片链接和图片所属的标题一并返回，构造一个生成器，代码如下：

def get_images(json):
??? if json.get('data'):
??????? for item in json.get('data'):
??????????? title = item.get('title')
??????????? images = item.get('image_detail')
??????????? for image in images:
??????????????? yield {
??????????????????? 'image': image.get('url'),
??????????????????? 'title': title
??????????????? }
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

接下来我们实现一个保存图片的方法，item 就是刚才get_images() 方法返回的一个字典，在方法中我们首先根据 item 的 title 来创建文件夹，然后请求这个图片链接，获取图片的二进制数据，以二进制的形式写入文件，图片的名称可以使用其内容的 MD5 值，这样可以去除重复。

import os
from hashlib import md5

def save_image(item):
??? if not os.path.exists(item.get('title')):
??????? os.mkdir(item.get('title'))
??? try:
??????? response = requests.get(item.get('image'))
??????? if response.status_code == 200:
??????????? file_path = '{0}/{1}.{2}'.format(item.get('title'), md5(response.content).hexdigest(), 'jpg')
??????????? if not os.path.exists(file_path):
??????????????? with open(file_path, 'wb') as f:
??????????????????? f.write(response.content)
??????????? else:
??????????????? print('Already Downloaded', file_path)
??? except requests.ConnectionError:
??????? print('Failed to Save Image')

最后我们只需要构造一个 offset 数组，遍历 offset，提取图片链接，并将其下载即可。

from multiprocessing.pool import Pool

def main(offset):
??? json = get_page(offset)
??? for item in get_images(json):
??????? print(item)
??????? save_image(item)

GROUP_START = 1
GROUP_END = 20

if __name__ == '__main__':
??? pool = Pool()
??? groups = ([x * 20 for x in range(GROUP_START, GROUP_END + 1)])
??? pool.map(main, groups)
??? pool.close()
??? pool.join()
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

在这里定义了分页的起始和终止页数，分别为 GROUP_START 和 GROUP_END，还利用了多线程的线程池，调用其 map() 方法实现多线程下载。
这样整个程序都就完成了，运行之后可以发现街拍美图都分文件夹保存下来了，如图 6-22 所示：

图 6-22 保存结果

4. 本节代码

本节代码地址：https://github.com/oldmarkfac…

5. 结语

以上便是抓取今日头条街拍美图的过程，通过本节我们可以了解 Ajax 分析的流程、Ajax 分页的模拟以及图片的下载过程。
本节的内容需要熟练掌握，在后面的实战中我们还会用到很多次这样的分析和抓取。

内容总结

以上是互联网集市为您收集整理的【Python】Python3网络爬虫实战-36、分析Ajax爬取今日头条街拍美图全部内容，希望文章能够帮你解决【Python】Python3网络爬虫实战-36、分析Ajax爬取今日头条街拍美图所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---