分析ajax爬取今日頭條街拍美圖

1、什麼是ajax

AJAX 指異步 JavaScript 及 XML（Asynchronous JavaScript And XML）

ajax不是一門編程語言，而是利用Javascript在保證頁面不被刷新，頁面連接不改變的狀況下與服務器交換數據並更新部分網頁的技術

2、抓取分析

打開今日頭條，並搜索街拍

網址：https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D

切換到 network-->XHR 能夠看到紅筆圈出的：x-requested-with:XMLHttpRequest

可判斷爲ajax請求

 

 

 

切換到preview從data中得到圖片地址等信息，每條都是一一對應的 

 

 

 

 

 

再切換到headers，能夠看到請求地址的各個參數

 

 

不斷往下拉，發現變化的參數只有offset，每次加載一次加十

 

3、開始爬取

一、get_page(offset)請求頁面函數：發送請求，將得到response利用json()方法轉化爲JSON格式，而後返回

二、get_image(json)解析函數：提取每一張圖片連接，將圖片連接和圖片所屬的標題一塊兒返回，此時能夠構造一個生成器

三、save_image(item)保存文件函數：根據item的title建立文件夾，將得到的圖片以二進制的形式寫入文件，圖片文件名用MD5值，能夠去重

四、主函數：構造一個offset數組，遍歷offset，提取圖片連接，並將其下載便可

 1 import requestsget  2 from urllib.parse import urlencode  3 
 4 def get_page(offset):  5     headers = {  6         'x-requested-with': 'XMLHttpRequest',  7         'user - agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',  8         'referer':'https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D',  9         'cookie':'__tasessionId=ma7hh1k0i1564919983167; csrftoken=a2318e2879cb7daac5e3169ac6731316; tt_webid=6721280117165032963; UM_distinctid=16c5c7fee055e9-09bb3e770de9ee-7a1437-144000-16c5c7fee0685f; CNZZDATA1259612802=745403741-1564916538-%7C1564916538; s_v_web_id=7a3ff2239d94842e143caf217478bc62'
10  } 11     params = { 12         'aid': '24', 13         'app_name': 'web_search', 14         'offset': offset, 15         'format': 'json', 16         'keyword': '街拍', 17         'autoload': 'true', 18         'count': '20', 19         'en_qc': '1', 20         'cur_tab': '1', 21         'from': 'search_tab', 22         'pd': 'synthesis', 23  } 24     base_url = 'https://www.toutiao.com/api/search/content/?'
25     url = base_url + urlencode(params) 26     try: 27         response = requests.get(url,headers=headers) 28         if response.status_code == 200: 29             return response.json() 30     except requests.ConnectionError as e: 31         return None 32 
33 def get_image(json): 34     if json.get('data'): 35         for item in json.get('data'): 36             title = item.get('title') 37             images = item.get('image_list') 38             for image in images: 39                 yield { 40                     'image':image.get('url'), 41                     'title':title 42  } 43 
44 import os 45 from hashlib import md5 46 
47 def save_image(item): 48     if not os.path.exists(item.get('title')): 49         os.mkdir(item.get('title')) 50     try: 51         response = requests.get(item.get('image')) 52         if response.status_code == 200: 53             file_path = '{0}/{1}.{2}'.format(item.get('title'),md5(response.content).hexdgest(),'jpg') 54             if not os.path.exists(file_path): 55                 with open(file_path,'wb') as f: 56  f.write(response.content) 57             else: 58                 print('Already Downloaded',file_path) 59     except Exception as e: 60         print('Failed to Save Image') 61 
62 from multiprocessing.pool import Pool 63 
64 def main(offset): 65     json = get_page(offset) 66     for item in get_image(json): 67         print(item) 68  save_image(item) 69 
70 GROUP_START = 1
71 GROUP_END = 20
72 
73 if __name__ == '__main__': 74     pool = Pool() 75     groups = ([x * 20 for x in range(GROUP_START,GROUP_END + 1)]) 76  pool.map(main,groups) 77  pool.close() 78     pool.join()