python3.x爬虫实战:爬今天头条的图集

爬今日头条的图集

import os
from _md5 import md5
from hashlib import md5
from multiprocessing import Pool
import requests
import json
from bs4 import BeautifulSoup
import re
KEYWORD='美女,清纯'#关键词
GROUP_START=0
GROUP_END=20

#关键词搜索,获取关键词列表
def get_page_index(url,offset,keyword,code='utf-8'):
    params = {
        'autoload': 'true',
        'count': 20,
        'cur_tab': 3,
        'format': 'json',
        'keyword': keyword,
        'offset': offset,
    }
    try:
        r=requests.get(url,params=params)
        print(r.status_code)
        r.raise_for_status()
        r.encoding=code
        #print(r.text)
        return r.text
    except:
        return "有误"
#解析返回关键词查询结果的json数据,获取每一个链接url
def parser_page_index(html):
    data= json.loads(html)
    #判定返回json数据是否为空,是否包含字典中keyword:data
    if data and 'data' in data.keys():
        for itemUrl in data.get('data'):
            #生成器来存储url
            yield  itemUrl.get('article_url')

#获取图片集详情信息
def get_page_detail(url,code='utf-8'):
    try:
        r=requests.get(url)
        #print(r.status_code)
        r.raise_for_status()
        r.encoding=code
        #print(r.text)
        return r.text
    except:
        return "有误"
#解析图片集中的每一张图片的信息:url,title,
def parser_page_detail(html,url):
    soup=BeautifulSoup(html,'html.parser')
    title=soup.select('title')[0].get_text()
    print(title)
    #re.S 使得匹配换行符
    images_pattern = re.compile('var gallery = (.*?);', re.S)
    result= re.search(images_pattern,html)

    print(result)
    if result:
        data  = json.loads(result.group(1))
        # print(result.group(1))
        if data and 'sub_images' in data.keys():
            sub_images = data.get('sub_images')
            images = [item.get('url') for item in sub_images]
            for image in images:
                download_image(image)
            #print(images)
            return {
                'title': title,
                'url': url,
                'images': images
            }
#下载
def download_image(url):
    print('Downloading', url)
    try:
        r = requests.get(url)
        r.raise_for_status()
        save_image(r.content)
        return None
    except ConnectionError:
        return None


def save_image(content):
    file_path = '{0}/{1}.{2}'.format(os.getcwd(), md5(content).hexdigest(), 'jpg')#MD5防止图片重复
    print(file_path)
    if not os.path.exists(file_path):
        with open(file_path, 'wb') as f:
            f.write(content)
            f.close()

def main(offset):
    url='http://www.toutiao.com/search_content/?'
    html=get_page_index(url,offset,KEYWORD)
    for url in parser_page_index(html):
        html = get_page_detail(url)
        if html:
            parser_page_detail(html,url)

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()



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