作者信息:
Author : 黄志成(小黄)
博客地址: 博客
呐,这是一篇福利教程.为什么这么说呢.我们要爬取的内容是美图网站(嘿嘿,老司机都懂的)
废话不多说.开始今天的表演.
这个图集网站不要问我怎么来的.绝对不是我刻意找的.(其实是看了别的发的一篇文章,就想自己动手实现一下)
我们今天的任务就是 将这些图集保存下来。
首先我们需要获取到所有的列表,我们往下拉动滚动条,拉到底,会继续自动加载内容,我们通过浏览器的NetWork可以发现请求的数据包
我们来分析一下这个数据包
URL:https://www.toutiao.com/search_content/?offset=0&format=json&keyword=%E6%B8%85%E7%BA%AF%E7%BE%8E%E5%A5%B3&autoload=true&count=20&cur_tab=3&from=gallery
通过url我们可以知道几个重要的参数
offset 偏移量
count 数量
cur_tab 当前分类
这里很多朋友可能对偏移量不太了解,这里我用sql语句表示一下,如果了解sql的朋友 肯定就知道了
mysql> SELECT * FROM art LIMIT offset , count
mysql> SELECT * FROM table LIMIT 5,10; // 检索记录行 6-15
mysql> SELECT * FROM table LIMIT 95,1; // 检索记录行 96
这里我每次读取一条,对一条进行操作.
URL:https://www.toutiao.com/search_content/?offset=1&format=json&keyword=%E6%B8%85%E7%BA%AF%E7%BE%8E%E5%A5%B3&autoload=true&count=1&cur_tab=3&from=gallery
每次对offset 进行自增即可了
我们点击进去 看看数据的结构.
我们需要获取到该图集的链接。
进入这篇图集,在NetWork中并没有发现图集有关的请求接口,可能也是混排的.
我们可以查看页面的源码
原来真的是混排的写法.看了一下这里用到vue.具体怎么实现的我们不去探讨了,我们只需要取出数据即可。
那如何取出呢? 提供两种方法,一种就是正则,一种就是自己写一个取文本的函数.这里我用第二种作为演示,下面是取文本的函数.
def txt_wrap_by(start_str, end, html):
start = html.find(start_str)
if start >= 0:
start += len(start_str)
end = html.find(end, start)
if end >= 0:
return html[start:end].strip()
我们取出 JSON.parse("") 中的数据
观察数据,可以发现 我们取出 url 就可以了,这里的数据是json但是被转义了,我们就通过正则取出吧
正则的语法如图上,最后我也会放出所有代码滴,大家放心.
然后保存为图片即可~
上面说的都是思路,最后放出代码~
import requests,os,json,re,datetime
# 主函数
def main():
foreach_art_list()
def foreach_art_list():
# 判断目录下是否存在jilv.txt文件 如果存在则读取里面的数值
if os.path.exists('./jilv.txt'):
f = open('./jilv.txt')
n = f.read()
n = int(n)
f.close()
else:
n = 1
while True:
url = 'http://www.toutiao.com/search_content/?offset=' + str(n) + '&format=json&keyword=%E6%B8%85%E7%BA%AF%E7%BE%8E%E5%A5%B3&autoload=true&count=1&cur_tab=3&from=gallery'
re = requests.get(url)
data = re.json()['data']
if not data:
break
# 运行图片下载函数
download_pic(data[0]['article_url'],n)
n = n+1
# 将n写入文件 防止程序运行出错 可以继续运行
with open('./jilv.txt', 'w') as f:
f.write(str(n))
def download_pic(url,n):
download_pic_url = 'http://p3.pstatp.com/'
# 这里必须带上协议头,否则会请求失败
header = {
'user-agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'
}
res = requests.get(url,headers = header)
content = res.text
img_list_json = txt_wrap_by('gallery: JSON.parse("','"),',content)
# 正则获取所有的uri
img_list = re.findall(r'uri\":\"(.*?)\"',img_list_json)
#判断是否有此目录
if 'img' not in os.listdir('.'):
os.mkdir('./img')
if str(n) not in os.listdir('./img'):
os.mkdir('./img/'+str(n))
for v in img_list:
img_path = download_pic_url + v
img_path = img_path.replace("\", "")
# 读取图片
atlas = requests.get(img_path).content
# 保存图片
with open( './img/' + str(n) + '/' + str(datetime.datetime.now()) +'.jpg', 'wb') as f: # 把图片写入文件内
f.write(atlas)
# 取出两个文本之间的内容
def txt_wrap_by(start_str, end, html):
start = html.find(start_str)
if start >= 0:
start += len(start_str)
end = html.find(end, start)
if end >= 0:
return html[start:end].strip()
# 运行程序
main()
最后 展示一下 运行结果:
这个程序还有许多不完善的地方,我会在之后教程加入 redis 和 多线程 的写法,让他成为最快的爬虫~
敬请期待~ 今天就到这里了. 又是周末!祝大家周末愉快。嘿嘿~ 看我的美图去了。