无意中发现贴吧也出了个漂流瓶的东西，随手翻了翻发现居然有好多妹子图，闲来无事于是就想写个爬虫程序把图片全部抓取下来。
这里是贴吧漂流瓶地址
http://tieba.baidu.com/bottle...
1.分析
首先打开抓包神器 Fiddler ，然后打开漂流瓶首页，加载几页试试，在Fiddler中过滤掉图片数据以及非 http 200 状态码的干扰数据后，发现每一页的数据获取都很有规律，这就给抓取提供了便利。具体获取一页内容的url如下：
http://tieba.baidu.com/bottle...
看参数很容易明白，page_number 就是当前页码，page_size 就是当前页中包含的漂流瓶数量。
访问后得到的是一个json格式的数据，结构大致如下：
{
"error_code": 0,
"error_msg": "success",
"data": {
"has_more": 1,
"bottles": [
{
"thread_id": "5057974188",
"title": "美得不可一世",
"img_url": "http://imgsrc.baidu.com/forum/pic/item/a8c87dd062d9f2d3f0113c2ea0ec8a136227cca9.jpg"
},
{
"thread_id": "5057974188",
"title": "美得不可一世",
"img_url": "http://imgsrc.baidu.com/forum/pic/item/a8c87dd062d9f2d3f0113c2ea0ec8a136227cca9.jpg"
},
...
}
}内容很直白一眼就看出，bottles 中的数据就是我们想要的（thread_id 瓶子具体id, title 妹纸吐槽的内容, img_url 照片真实地址），遍历 bottles 就可以获得当前页的所有漂流瓶子。（其实现在得到的只是封面图哦，打开具体的瓶子有惊喜，因为我比较懒就懒得写了，不过我也分析了内部的数据，具体url是：http://tieba.baidu.com/bottle...瓶子thread_id>）
还有一个参数 has_more 猜测是是否存在下一页的意思。
到这里采集方式应该可以确定了。就是从第一页不停往后循环采集，直到 has_more 这个参数不为 1 结束。
2.编码
这里采用的是 python2.7 + urllib2 + demjson 来完成此项工作。urllib2 是python2.7自带的库，demjson 需要自己安装下（一般情况下用python自带的json库就可以完成json解析任务，但是现在好多网站提供的json并不规范，这就让自带json库无能为力了。）
demjson 安装方式 (windows 不需要 sudo)
sudo pip install demjson
或者
sudo esay_install demjson
2.1获得一页内容
def bottlegen():
page_number = 1
while True:
try:
data = urllib2.urlopen(
"http://tieba.baidu.com/bottle/bottles?page_number=%d&page_size=30" % page_number).read()
json = demjson.decode(data)
if json["error_code"] == 0:
data = json["data"]
has_more = data["has_more"]
bottles = data["bottles"]
for bottle in bottles:
thread_id = bottle["thread_id"]
title = bottle["title"]
img_url = bottle["img_url"]
yield (thread_id, title, img_url)
if has_more != 1:
break
page_number += 1
except:
raise
print("bottlegen exception")
time.sleep(5)这里使用python的生成器来源源不断的输出分析到的内容。
2.2根据url保存图片数据
for thread_id, title, img_url in bottlegen():
filename = os.path.basename(img_url)
pathname = "tieba/bottles/%s_%s" % (thread_id, filename)
print filename
with open(pathname, "wb") as f:
f.write(urllib2.urlopen(img_url).read())
f.close()2.3全部代码如下
# -*- encoding: utf-8 -*-
import urllib2
import demjson
import time
import re
import os
def bottlegen():
page_number = 1
while True:
try:
data = urllib2.urlopen(
"http://tieba.baidu.com/bottle/bottles?page_number=%d&page_size=30" % page_number).read()
json = demjson.decode(data)
if json["error_code"] == 0:
data = json["data"]
has_more = data["has_more"]
bottles = data["bottles"]
for bottle in bottles:
thread_id = bottle["thread_id"]
title = bottle["title"]
img_url = bottle["img_url"]
yield (thread_id, title, img_url)
if has_more != 1:
break
page_number += 1
except:
raise
print("bottlegen exception")
time.sleep(5)
def imggen(thread_id):
try:
data = urllib2.urlopen(
"http://tieba.baidu.com/bottle/photopbPage?thread_id=%s" % thread_id).read()
match = re.search(r"\_\.Module\.use\(\'encourage\/widget\/bottle\',(.*?),function\(\)\{\}\);", data)
data = match.group(1)
json = demjson.decode(data)
json = demjson.decode(json[1].replace("\r\n", ""))
for i in json:
thread_id = i["thread_id"]
text = i["text"]
img_url = i["img_url"]
yield (thread_id, text, img_url)
except:
raise
print("imggen exception")
try:
os.makedirs("tieba/bottles")
except:
pass
for thread_id, _, _ in bottlegen():
for _, title, img_url in imggen(thread_id):
filename = os.path.basename(img_url)
pathname = "tieba/bottles/%s_%s" % (thread_id, filename)
print filename
with open(pathname, "wb") as f:
f.write(urllib2.urlopen(img_url).read())
f.close()
运行后会先获得每页所有瓶子，然后再获得具体瓶子中的所有图片，输出到 tieba/bottles/xxxxx.jpg 中。(因为比较懒就没做错误兼容，见谅 ^_^,,,)
结论
结论是,,, 都是骗人的就首页有几张好看的 - -,,, 他喵的,,,