分析Ajax 爬取今日头条图片

1.准备工作

• 安装requests库

2.抓取分析

在搜索入口输入“中秋”二字，打开开发者工具，查看所有网络请求，切换到XHR过滤选项卡，出现一个Ajax请求，点击data字段，发现有许多条数据。点开数据，发现一一对应。

抓取分析

所要抓取的图片就藏在image_list字段中，它是由列表形式构成，其中包含了组图的所有图片列表。如图所示。

图片列表信息

因此，只需将列表中的url字段提取出来。将每一组图都建立一个文件夹，文件夹名称就为组图的标题。接下来观察它的请求URL和Headers信息，可以看到这是一个GET请求，请求参数有offset、format、keyword、count、等。可以观察到offset为偏移量、控制数据分页。

Ajax请求

实战代码

#coding:utf-8
#author:zhouchuang
import requests
from urllib.parse import urlencode
from requests import codes
import os
from hashlib import md5
from multiprocessing.pool import Pool
import time

def get_page(offset):
    params = {
        'offset': offset,    #根据offset确定页数
        'format': 'json',
        'keyword': '中秋', # 搜索内容
        'autoload': 'true',
        'count': '20',
        'cur_tab': '1',
        'from': 'search_tab'
    }
    base_url = 'https://www.toutiao.com/search_content/?'
    url = base_url + urlencode(params)     #最终需要的 url
    try:                                    #通用代码框架
        resp = requests.get(url)
        if codes.ok == resp.status_code:
            return resp.json()         #返回为json格式
    except requests.ConnectionError:
        return None


def get_images(json):
    if json.get('data'):
        data = json.get('data')
        for item in data:
            if item.get('cell_type') is not None:    # 前提
                continue
            title = item.get('title')
            images = item.get('image_list')
            for image in images:
                yield {
                    'image': 'https:' + image.get('url'),   #打印最终的图片下载链接
                    'title': title
                }


def save_image(item):
    img_path = 'img' + os.path.sep + item.get('title')   #os.path.sep 就是 /  路径分隔符
    if not os.path.exists(img_path):            #os.path.exists(path) 如果path存在，返回True；如果path不存在，返回False
        os.makedirs(img_path)                   #os.makedirs() 方法用于递归创建目录。
    try:
        resp = requests.get(item.get('image'))   #resp 为 图片url 地址
        if codes.ok == resp.status_code:             
            file_path = img_path + os.path.sep + '{file_name}.{file_suffix}'.format(                    #文件路径为img/title/MD5值.jpg
                file_name=md5(resp.content).hexdigest(),  #MD5是一种加密算法，了解
                file_suffix='jpg')
            if not os.path.exists(file_path):        #如果文件路径不存在
                with open(file_path, 'wb') as f:
                    f.write(resp.content)        #写所下载的文件路径
                print('Downloaded image path is %s' % file_path) 
            else:                       #如果文件路径已经存在
                print('Already Downloaded', file_path)    
    except requests.ConnectionError:
        print('Failed to Save Image，item %s' % item)


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


GROUP_START = 0
GROUP_END = 7   # 7页内容

if __name__ == '__main__':
    pool = Pool()    #多线程下载
    groups = ([x * 20 for x in range(GROUP_START, GROUP_END + 1)])
    pool.map(main, groups)    #将groups一个一个调出来传给main函数
    pool.close()
    pool.join()          
    time.sleep(1)

这样整个程序就完成了，运行之后就会发现图片都分文件夹保存下来了。

运行结果

保存结果

代码地址

https://github.com/AndrewChou04011/my-git-from-Mac