用Python爬取今日头条，里面的东西统统白送！

近年来今日头条做的可谓是风生水起，自上线以来，围绕内容载体和分发方式两个维度不断丰富，至今已衍生出图文、视频、微头条、专栏、搜索、直播等多种内容形式。根据最新中国联通发布的App大数据排行榜，今日头条稳居新闻资讯行业NO.1，活跃用户(MAU)达1.6亿。

面对这样一款内容丰富、具有海量数据的应用App，如果不学会爬取数据，岂不是可惜呢？今天小编以图片数据为例，教你如何爬取今日头条的数据，完整版代码，请在公众号后台回复：头条，如果你还对视频、排行榜等比较感兴趣，可以看之前文章参考。本篇文章你将收获如下技术要点：

• Ajax数据爬取技术
• 进程池
• 容错机制
• 正则表达式

话不多说，以下是具体内容和代码。

网页分析

当对网页进行分析时，我们可能会发现：很多信息都没有出现在源代码里面，比如你刷网页，那些新刷出的网页就是通过Ajax接口加载出来的，这是一种异步加载方式，只有请求这个ajax接口，然后服务器后台收到这个接口信息，才会把数据返回。现在越来越多的网页都是采用这个异步加载的方式，所以爬虫就变得没那么容易了，我们现在直接开始进行网页分析吧！

通过F12我们可以，我们可以发现如下接口中可以找到上述内容

通过网页分析我们可以知道，如果需要把需要对图片保存本地，我们需要进行两次URL的请求，所以在代码中将请求的headers设置为全局变量。

获取数据

首先请求最开始的页面:

https://www.toutiao.com/search/?keyword=%E7%BE%8E%E5%A5%B3

1.获取json数据

我们不能这样直接把页面交给requests库去请求，因为这是一个ajax接口，如果不加入参数，很可能让你输入验证码、拉动验证等反爬措施，我们可以通过加入参数来规避，具体措施如下：

    global headers
    # headers 
    headers = {
        'cookie': 'WEATHER_CITY=%E5%8C%97%E4%BA%C; csrftoken=6ae2b955b45e59a749e6dc65446acbff; ttcid=9b098a659aa54ff399b6ae76bb252b1e27; SLARDAR_WEB_ID=eb1c77c9-a873-4dbb-8c4c-ac124db1cd6c; UM_distinctid=1fd3813a87ed-0be1183a73772d-30607c00-13c680-171fd3813a9e50; sso_auth_status=d824cbb6753cb805f8a44b6c02e6ec7b; sso_uid_tt=5e677205437e3399c080159feb6a5898; sso_uid_tt_ss=5e677205437e3399c080159feb6a5898; toutiao_sso_user=d91c1fbc6b932a9a5c2fa9a111a50069; toutiao_sso_user_ss=d91c1fbc6b932a9a5c2fa9a111a50069; passport_auth_status=81fc37a1830449af18032d4b4796a32b%2C09dffc241bb0f3ec6c656177e0cc0bb6; sid_guard=4dabbd1e48fd80ecdc0973fdce2d1b0c%7C1590904063%7C5184000%7CThu%2C+30-Jul-2020+05%3A47%3A43+GMT; uid_tt=0115b2ab6e9821b54e26ce6c41059d92; uid_tt_ss=0115b2ab6e9821b54e26ce6c41059d92; sid_tt=4dabbd1e48fd80ecdc0973fdce2d1b0c; sessionid=4dabbd1e48fd80ecdc0973fdce2d1b0c; sessionid_ss=4dabbd1e48fd80ecdc0973fdce2d1b0c; _ga=GA1.2.904277146.1590904500; tt_webid=6833011630063027725; tt_webid=6833011630063027725; CNZZDATA1272960458=2004357243-1589089930-https%253A%252F%252Fwww.baidu.com%252F%7C1590932876; __tasessionId=m5pjsml5i1592026825367; s_v_web_id=kbd7o0e4_ERp4SO3y_dOQY_4tb4_8sbP_0AbZGAADrqJ8; tt_scid=eAuATFNHP-crXarEGEJsNDrcAI27CwfojNjh89EE6DQrHcqy2CfAC-YNcpkuMcSv1796',
        'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36',
        'referer': 'https://www.toutiao.com/search/?keyword=%E7%BE%8E%E5%A5%B3',
        'x-requested-with': 'XMLHttpRequest'
    }  
    #加入参数
    params = {
        'aid': ' 24',
        'app_name': ' web_search',
        'offset': offset,
        'format': ' json',
        'keyword': ' 美女',
        'autoload': ' true',
        'count': ' 20',
        'en_qc': ' 1',
        'cur_tab': ' 1',
        'from': ' search_tab',
        'pd': ' synthesis',
        'timestamp': int(time.time())
    }
    url = 'https://www.toutiao.com/api/search/content/?' + urlencode(params)  # 构造url
    url = url.replace('=+', '=')  # 网址根本不一样
    try:
        r = requests.get(url, headers=headers, params=params)
        r.content.decode('utf-8')
        if r.status_code == 200:
            return r.json()  # 返回json格式 因为全是字典类型
    except requests.ConnectionError as e:
        print(e)

2.获取标题和图片网址

def get_image(json):  # 获取图片
    if json.get('data'):  # 如果这个存在
        for item in json.get('data'):
            if item.get('title') is None:
                continue  # 如果标题是空值
            title = item.get('title')  # 获取标题
            if item.get('article_url') == None:
                continue
            url_page = item.get('article_url')
            # print(url_page)
            rr = requests.get(url_page, headers=headers)

            if rr.status_code == 200:
                pat = ''
                match = re.search(pat, rr.text, re.S)
                if match != None:
                    result = re.findall(r'img src=\\"(.*?)\\"', match.group(), re.S)
                    yield {
                        'title': title,
                        'image': result
                    }

3.图片保存

def save_image(content):
    path = '/Users/******/'  # 路径
    if not os.path.exists(path):  
        os.mkdir(path)
        os.chdir(path)
    else:
        os.chdir(path)

    if not os.path.exists(content['title']):  
        if '\t' in content['title']:  
            title = content['title'].replace('\t', '')  
            os.mkdir(title + '//')
            os.chdir(title + '//')
            print(title)
        else:
            title = content['title']
            os.mkdir(title + '//') 
            os.chdir(title + '//')
            print(title)
    else:  # 如果存在
        if '\t' in content['title']:  
            title = content['title'].replace('\t', '')  
            os.chdir(title + '//')
            print(title)
        else:
            title = content['title']
            os.chdir(title + '//')
            print(title)
    for q, u in enumerate(content['image']):  # 遍历图片地址列表
        u = u.encode('utf-8').decode('unicode_escape')

        # 先编码在解码 获得需要的网址链接
        #  开始下载
        r = requests.get(u, headers=headers)
        if r.status_code == 200:
            with open(str(q) + '.jpg', 'wb') as fw:
                fw.write(r.content)
                print(f'该title----->下载{q}张')

加入容错机制

def main(offset):
    json = get_page(offset)
    get_image(json)
    for content in get_image(json):
        try:
            # print(content)
            save_image(content)
        except FileExistsError and OSError:
            continue

4.多进程爬取

pool = Pool()
groups = [j * 20 for j in range(8)]
pool.map(main, groups) 
pool.close()
pool.join()

成果展示

通过上述几步，小编已经将今日头条的数据爬取下来了。实践出真知，实操起来慢慢体会爬虫过程中的要点和注意点，对其他网页的分析和爬取会有益处，不建议拿了代码爬一下就结束了。

更多精彩内容，关注微信公众号『Python学习与数据挖掘』