使用python抓取百度漂流瓶妹紙照片

無心中發現貼吧也出了個漂流瓶的東西，隨手翻了翻發現竟然有好多妹子圖，閒來無事因而就想寫個爬蟲程序把圖片所有抓取下來。

這裏是貼吧漂流瓶地址
http://tieba.baidu.com/bottle...

1.分析

首先打開抓包神器 Fiddler ，而後打開漂流瓶首頁，加載幾頁試試，在Fiddler中過濾掉圖片數據以及非 http 200 狀態碼的干擾數據後，發現每一頁的數據獲取都頗有規律，這就給抓取提供了便利。具體獲取一頁內容的url以下：

http://tieba.baidu.com/bottle...

看參數很容易明白，page_number 就是當前頁碼，page_size 就是當前頁中包含的漂流瓶數量。

訪問後獲得的是一個json格式的數據，結構大體以下：

{
    "error_code": 0,
    "error_msg": "success",
    "data": {
        "has_more": 1,
        "bottles": [
            {
                "thread_id": "5057974188",
                "title": "美得不可一世",
                "img_url": "http://imgsrc.baidu.com/forum/pic/item/a8c87dd062d9f2d3f0113c2ea0ec8a136227cca9.jpg"
            },
            {
                "thread_id": "5057974188",
                "title": "美得不可一世",
                "img_url": "http://imgsrc.baidu.com/forum/pic/item/a8c87dd062d9f2d3f0113c2ea0ec8a136227cca9.jpg"
            },
            ...
   }
}

內容很直白一眼就看出，bottles 中的數據就是咱們想要的（thread_id 瓶子具體id, title 妹紙吐槽的內容, img_url 照片真實地址），遍歷 bottles 就能夠得到當前頁的全部漂流瓶子。（其實如今獲得的只是封面圖哦，打開具體的瓶子有驚喜，由於我比較懶就懶得寫了，不過我也分析了內部的數據，具體url是：http://tieba.baidu.com/bottle...瓶子thread_id>）

還有一個參數 has_more 猜想是是否存在下一頁的意思。
到這裏採集方式應該能夠肯定了。就是從第一頁不停日後循環採集，直到 has_more 這個參數不爲 1 結束。

2.編碼

這裏採用的是 python2.7 + urllib2 + demjson 來完成此項工做。urllib2 是python2.7自帶的庫，demjson 須要本身安裝下（通常狀況下用python自帶的json庫就能夠完成json解析任務，可是如今好多網站提供的json並不規範，這就讓自帶json庫無能爲力了。）

demjson 安裝方式 (windows 不須要 sudo)

sudo pip install demjson

或者

sudo esay_install demjson

2.1得到一頁內容

def bottlegen():
    page_number = 1
    while True:
        try:
            data = urllib2.urlopen(
                "http://tieba.baidu.com/bottle/bottles?page_number=%d&page_size=30" % page_number).read()
            json = demjson.decode(data)
            if json["error_code"] == 0:
                data = json["data"]
                has_more = data["has_more"]
                bottles = data["bottles"]
                for bottle in bottles:
                    thread_id = bottle["thread_id"]
                    title = bottle["title"]
                    img_url = bottle["img_url"]
                    yield (thread_id, title, img_url)
                if has_more != 1:
                    break
                page_number += 1
        except:
            raise
            print("bottlegen exception")
            time.sleep(5)

這裏使用python的生成器來源源不斷的輸出分析到的內容。

2.2根據url保存圖片數據

for thread_id, title, img_url in bottlegen():
    filename = os.path.basename(img_url)
    pathname = "tieba/bottles/%s_%s" % (thread_id, filename)
        print filename
        with open(pathname, "wb") as f:
            f.write(urllib2.urlopen(img_url).read())
            f.close()

2.3所有代碼以下

# -*- encoding: utf-8 -*-
import urllib2
import demjson
import time
import re
import os

def bottlegen():
    page_number = 1
    while True:
        try:
            data = urllib2.urlopen(
                "http://tieba.baidu.com/bottle/bottles?page_number=%d&page_size=30" % page_number).read()
            json = demjson.decode(data)
            if json["error_code"] == 0:
                data = json["data"]
                has_more = data["has_more"]
                bottles = data["bottles"]
                for bottle in bottles:
                    thread_id = bottle["thread_id"]
                    title = bottle["title"]
                    img_url = bottle["img_url"]
                    yield (thread_id, title, img_url)
                if has_more != 1:
                    break
                page_number += 1
        except:
            raise
            print("bottlegen exception")
            time.sleep(5)

def imggen(thread_id):
    try:
        data = urllib2.urlopen(
            "http://tieba.baidu.com/bottle/photopbPage?thread_id=%s" % thread_id).read()
        match = re.search(r"\_\.Module\.use\(\'encourage\/widget\/bottle\',(.*?),function\(\)\{\}\);", data)
        data = match.group(1)
        json = demjson.decode(data)
        json = demjson.decode(json[1].replace("\r\n", ""))
        for i in json:
            thread_id = i["thread_id"]
            text = i["text"]
            img_url = i["img_url"]
            yield (thread_id, text, img_url)
    except:
        raise
        print("imggen exception")

try:
    os.makedirs("tieba/bottles")
except:
    pass

for thread_id, _, _ in bottlegen():
    for _, title, img_url in imggen(thread_id):
        filename = os.path.basename(img_url)
        pathname = "tieba/bottles/%s_%s" % (thread_id, filename)
        print filename
        with open(pathname, "wb") as f:
            f.write(urllib2.urlopen(img_url).read())
            f.close()

運行後會先得到每頁全部瓶子，而後再得到具體瓶子中的全部圖片，輸出到 tieba/bottles/xxxxx.jpg 中。(由於比較懶就沒作錯誤兼容，見諒 ^_^,,,)

結論

結論是,,, 都是騙人的就首頁有幾張好看的 - -,,, 他喵的,,,

最後貼下采集成果