2019-4—22爬取头条新闻街拍图片

代码如下:
# coding=gbk
import requests
from requests.exceptions import RequestException
from urllib.parse import urlencode
import json
from bs4 import BeautifulSoup
import re
from config import *
import pymongo
import os
from hashlib import md5
import time
from json.decoder import JSONDecodeError
from multiprocessing import Pool
client=pymongo.MongoClient(MONGO_URL)
db=client[MONGO_DB]
headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1;Win64;x64;rv:66.0)Gecko/20100101 Firefox/66.0',
    }
def get_page_index(offset,keyword,timestamp):
    data={
        'aid': '24',
        'app_name':'web_search',
        'offset':offset,
        'format':'json',
        'keyword':keyword,
        'autoload':'true',
        'count':'20',
        'en_qc':'1',
        'cur_tab':'1',
        'from':'search_tab',
        'pd':'synthesis',
        'timestamp':timestamp
    }
    url = 'https://www.toutiao.com/api/search/content/?' + urlencode(data)
    try:
        response = requests.get(url,headers=headers)
        if response.status_code == 200:
            return response.text
        else:
            return None
    except RequestException:
        return None
def parse_page_index(html):
    try:
        data = json.loads(html)
        if data and 'data' in data.keys():
           for item in data.get('data'):
               yield item.get('article_url')
    except JSONDecodeError:
        pass
def get_page_datail(url):
    try:
        response = requests.get(url,headers=headers)
        if response.status_code == 200:
            return response.text
        else:
            return None
    except RequestException:
        print('请求详情页出错',url)
        return None
def parse_page_detail(html,url):
    images_pattern = re.compile('articleInfo:.*?title: \'(.*?)\'.*?content.*?\'(.*?)\'', re.S)
    result = re.search(images_pattern,html)
    if result:
        title = result.group(1)
        url_pattern = re.compile('"(http:.*?)"')
        img_url = re.findall(url_pattern, str(result.group(2)))
        if img_url:
            for img in img_url:
                download_image(img)
            data={
                'title':title,
                'url':url,
                'image':img
            }
            return data
def save_to_mongo(result):
     if result:
       if db[MONGO_TABLE].insert(result):
           print('存储到mongoDB成功',result)
       else:
          return True
     return False
def download_image(url):
    try:
        response = requests.get(url,headers=headers)
        if response.status_code == 200:
            save_image(response.content)
        else:
            return None
    except RequestException:
        print('请求图片出现错误',url)
        return None
def save_image(content):
    file_path='{0}\\imgs\\{1}.{2}'.format(os.getcwd(),md5(content).hexdigest(),'jpg')
    if not os.path.exists(file_path):
        with open(file_path,'wb')as f:
            f.write(content)
            f.close()
def main():
    for i in range(5):
        offset=i*20
        keyword='街拍'
        t = time.time()
        timestamp=lambda: int(round(t * 1000))
        html=get_page_index(offset,keyword,timestamp())
        for url in parse_page_index(html):
             print(url)
             html=get_page_datail(url)
             if html:
                result=parse_page_detail(html,url)
                save_to_mongo(result)
main()

注意事项:

1,请求链接中后面时间戳的问题,t = time.time() timestamp=lambda: int(round(t * 1000))  获取当前时间的时间戳的毫秒级别    2,client=pymongo.MongoClient(MONGO_URL) 这里面的函数MongoClient别引用错了或者写错了 ,以及自己的mongodb服务是否开启,关于自己的mongodb服务是否开启,请看链接https://bbs.csdn.net/topics/390156764  

3,关于images_pattern = re.compile('articleInfo:.*?title: \'(.*?)\'.*?content.*?\'(.*?)\'', re.S) 这个正则表达式是否写正确,以及网页的标签属性是否改变 需要自己去看一下网页代码来验证一哈

4,这个是单线程的  原因是  自己不会多线程 我看用线程池 我没运行起来 很抱歉

爬取结果:

 

 

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值