php抓取今日头条,分析Ajax来抓取今日头条街拍美图

一、介绍

还是根据崔大大的视频来码的文章，不得不说，抓取文件并下载下来比抓取网页内容信息复杂多了

二、流程

目标站点分析

用浏览器打开今日头条输入‘街拍’，打开审查元素，点击‘图集’

1.首先我们要找到我们想要的街拍数据，这个一般是通过Ajax加载的，我们点击XHR选项，可以发现XHR项目里面的返回结果有我们想要的数据，当网页下拉时，后台(XHR里)会出现新的Ajax请求，发现还有参数offset变化，其他请求参数不变，即通过改变offset的值就可以拿到不同的数据

2.分析每一个页面的街拍美图，在Doc里有我们想要的图片的数据，我们可以用正则把我们想要的信息弄下来

抓取索引页内容

利用Requests请求目标站点，得到索引网页HTML代码和HTML代码，返回结果

抓取详情页内容

解析返回结果，得到详情页的链接，并进一步抓取详情页的信息

下载图片与保存数据库

将图片下载到本地，并把页面信息及图片URL保存到MongoDB(为啥要保存到数据库呢？)

开启循环及多线程

对多页内容遍历，开启多线程提高抓取速度

三、代码

#config.py

MONGO_URL='localhost'

MONGO_DB='toutiao'

MONGO_TABLE='toutiao'

group_start=1

group_end=10

KEYWORD='街拍'

import requests

from urllib.parse import urlencode

from requests.exceptions import RequestException

import json

from bs4 import BeautifulSoup

import re

from config import * #注意要把config.py文件放在环境变量的目录下

import pymongo

import os

from hashlib import md5

from multiprocessing import Pool

client=pymongo.MongoClient(MONGO_URL) #声明MongoDB对象

db=client[MONGO_DB] #定义db

def get_page_index(offset,keyword): #抓取索引页内容

data={

'offset': offset, #offset是可变的

'format': 'json',

'keyword': keyword,#keyword是可以定义的

'autoload':'true',

'count': '20',

'cur_tab': 3

}

#data是从XHR项目返回结果的Headers>Query String Parameters里的数据，Query String Parameters指的就是通过在URL中携带的方式提交的参数，也就是PHP中$_GET里的参数

url='https://www.toutiao.com/search_content/?'+urlencode(data) #urlencode可以把字典对象变成url的请求参数

try:

response=requests.get(url) #请求url

if response.status_code==200:

return response.text

return None

except RequestException: #所有requests的异常

print('请求索引页出错')

return None

def parse_page_index(html):

data=json.loads(html) #对字符串进行解析，把字符串转化成json对象

if data and 'data' in data.keys():

for item in data.get('data'):

yield item.get('article_url') #构造一个生成器，把所有的article_url解析出来

def get_page_detati(url):

try:

response=requests.get(url)

if response.status_code==200:

return response.text

return None

except RequestException:

print('请求详情页出错',url)

return None

def parse_page_detail(html,url): #解析子页面

soup=BeautifulSoup(html,'lxml') #用BeautifulSoup来解析获取的子页面html代码

titie=soup.select('title')[0].get_text() #CSS选择器

print(titie)

images_pattern=re.compile('gallery: (.*?),\n',re.S) #用正则来匹配出gallery里面的数据

result=re.search(images_pattern,html)

if result:

#print(result.group(1))

data=json.loads(result.group(1)) #对字符串进行解析，把字符串转化成json对象

if data and 'sub_images' in data.keys(): #判断里面是否含有我们想要的数据

sub_images=data.get('sub_images')

images=[item.get('url') for item in sub_images]

for image in images:download_imagg(image)

return {

'title':titie,

'url':url,

'images':images

}

def save_to_mongo(result):

if db[MONGO_TABLE].insert(result):

print('存储成功到MongoDB',result)

return True

return False

def download_imagg(url):

print('正在下载',url)

try:

response=requests.get(url)

if response.status_code==200:

#return response.text

save_image(response.content)

return None

except RequestException:

print('请求图片出错',url)

return None

def save_image(content):

file_path='{0}/{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(offset):

html=get_page_index(offset,KEYWORD)

#print(html)

for url in parse_page_index(html):

#print(url)

html=get_page_detati(url) #利用for循环，提取出所有的article_url

if html:

#parse_page_detail(html)

result=parse_page_detail(html,url)

#print(result)

if result:save_to_mongo(result)

if __name__=='__main__':

#main()

groups=[i*10 for i in range(group_start,group_end+1)]

pool=Pool()

pool.map(main,groups)

四、最后得到的数据视图和文件

1.png

2.png

五、总结

崔大大的这个爬虫视频涉及的知识点还是蛮多的，网页、数据库、包.....需要补充的知识点还是很多的