6.4 分析Ajax爬取今日头条街拍美图

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。

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/?keyword=街拍,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:

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
                }

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()

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/Python3WebSpider/Jiepai

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。

results matching ""

    No results matching ""