爬蟲—分析Ajax爬取今日頭條圖片

　　以今日頭條爲例分析Ajax請求抓取網頁數據。本次抓取今日頭條的街拍關鍵字對應的圖片，並保存到本地

一，分析

　　打開今日頭條主頁，在搜索框中輸入街拍二字，打開開發者工具，發現瀏覽器顯示的數據不在其源碼裏面。這樣能夠出初步判斷這些內容是由

Ajax加載，而後使用JavaScript渲染出來的。

　　　　　　　　

　　切換到XHR過濾選項卡，查看其Ajax請求。點擊其中一條進去，進入data展開，發現其中一個title字段對應的值正好是頁面中的某條數據的標題。再查看其餘數據，正好也是一一對應的，這說明這些數據確實是由Ajax加載的。

　　　　　　　　　

　　

　　本次的目的是抓取其中的圖片內容，data中每一個元素就是一篇文章，元素中的image_list字段包含了該文章的圖片內容。它是一個列表形式，包含了全部的圖片列表。咱們只須要將列表中的url字段下載下來就行了，每篇文章都建立一個文件夾，文件夾名稱即文章標題。

　　　　　　　　　　

　　在使用Python爬取以前還須要分析一下URL的規律。切換到Headers選項卡，查看Headers信息。能夠看到，這是一個GET請求，請求的參數有aid，app_name，offset，format，keyword，autoload，count，en_qc，cur_tab，from，pd，timestamp。繼續往下滑動，多加載一些數據，找出其中的規律。

　　　　　　　　

　　通過觀察，能夠發現變化的參數只有offset，timestamp。第一次請求的offset的值爲0，第二次爲20，第三次爲40，key推斷出這個offset就是偏移量，count爲每次請求的數據量，而timestamp爲時間戳。這樣一來，咱們就可使用offset參數控制分頁了，經過模擬Ajax請求獲取數據，最後將數據解析後下載便可。

二，爬取

　　剛纔已經分析完了整個Ajax請求，接下來就是使用代碼來實現這個過程。

# _*_ coding=utf-8 _*_

import requests
import time
import os
from hashlib import md5
from urllib.parse import urlencode
from multiprocessing.pool import Pool


def get_data(offset):
    """
    構造URL，發送請求
    :param offset:
    :return:
    """
    timestamp = int(time.time())
    params = {
        'aid': '24',
        'app_name': 'web_search',
        'offset': offset,
        'format': 'json',
        'autoload': 'true',
        'count': '20',
        'en_qc': '1',
        'cur_tab': '1',
        'from': 'search_tab',
        'pd': 'synthesis',
        'timestamp': timestamp
    }

    base_url = 'https://www.toutiao.com/api/search/content/?keyword=%E8%A1%97%E6%8B%8D'
    url = base_url + urlencode(params)
    try:
        res = requests.get(url)
        if res.status_code == 200:
            return res.json()
    except requests.ConnectionError:
        return '555...'


def get_img(data):
    """
    提取每一張圖片鏈接，與標題一併返回，構造生成器
    :param data:
    :return:
    """
    if data.get('data'):
        page_data = data.get('data')
        for item in page_data:
            # cell_type字段不存在的這類文章不爬取，它沒有title，和image_list字段，會出錯
            if item.get('cell_type') is not None:
                continue
            title = item.get('title').replace(' |', ' ')    # 去掉某些可能致使文件名錯誤而不能建立文件的特殊符號，根據具體狀況而定
            imgs = item.get('image_list')
            for img in imgs:
                yield {
                    'title': title,
                    'img': img.get('url')
                }


def save(item):
    """
    根據title建立文件夾，將圖片以二進制形式寫入，
    圖片名稱使用其內容的md5值，能夠去除重複的圖片
    :param item:
    :return:
    """
    img_path = 'img' + '/' + item.get('title')
    if not os.path.exists(img_path):
        os.makedirs(img_path)
    try:
        res = requests.get(item.get('img'))
        if res.status_code == 200:
            file_path = img_path + '/' + '{name}.{suffix}'.format(
                name=md5(res.content).hexdigest(),
                suffix='jpg')
            if not os.path.exists(file_path):
                with open(file_path, 'wb') as f:
                    f.write(res.content)
                print('Successful')
            else:
                print('Already Download')
    except requests.ConnectionError:
        print('Failed to save images')


def main(offset):
    data = get_data(offset)
    for item in get_img(data):
        print(item)
        save(item)


START = 0
END = 10
if __name__ == "__main__":
    pool = Pool()
    offsets = ([n * 20 for n in range(START, END + 1)])
    pool.map(main, offsets)
    pool.close()
    pool.join()

　　這裏定義了起始頁START和結束頁END,能夠自定義設置。而後利用多進程的進程池，調用map（）方法實現多進程下載。運行以後發現圖片都報存下來了。