分析Ajax爬取今日頭條街拍美圖

時間 2019-11-16

標籤分析 ajax 今日頭條欄目 Ajax 简体版

原文原文鏈接

本節中，咱們以今日頭條爲例來嘗試經過分析Ajax請求來抓取網頁數據的方法。此次要抓取的目標是今日頭條的街拍美圖，抓取完成以後，將每組圖片分文件夾下載到本地並保存下來。
html

1. 準備工做

在本節開始以前，請確保已經安裝好requests庫。若是沒有安裝，能夠自行查閱。
git

2. 抓取分析

在抓取以前，首先要分析抓取的邏輯。打開今日頭條的首頁http://www.toutiao.com/，以下圖所示。
github

右上角有一個搜索入口，這裏嘗試抓取街拍美圖，因此輸入「街拍」二字搜索一下，結果以下圖所示。json

這時打開開發者工具，查看全部的網絡請求。首先，打開第一個網絡請求，這個請求的URL就是當前的連接http://www.toutiao.com/search/?keyword=街拍，打開Preview選項卡查看Response Body。若是頁面中的內容是根據第一個請求獲得的結果渲染出來的，那麼第一個請求的源代碼中必然會包含頁面結果中的文字。爲了驗證，咱們能夠嘗試搜索一下搜索結果的標題，好比「路人」二字，以下圖所示。數組

咱們發現，網頁源代碼中並無包含這兩個字，搜索匹配結果數目爲0。所以，能夠初步判斷這些內容是由Ajax加載，而後用JavaScript渲染出來的。接下來，咱們能夠切換到XHR過濾選項卡，查看一下有沒有Ajax請求。bash

不出所料，此處出現了一個比較常規的Ajax請求，看看它的結果是否包含了頁面中的相關數據。微信

點擊data字段展開，發現這裏有許多條數據。點擊第一條展開，能夠發現有一個title字段，它的值正好就是頁面中第一條數據的標題。再檢查一下其餘數據，也正好是一一對應的，以下圖所示。網絡

這就肯定了這些數據確實是由Ajax加載的。多線程

咱們的目的是要抓取其中的美圖，這裏一組圖就對應前面data字段中的一條數據。每條數據還有一個image_detail字段，它是列表形式，這其中就包含了組圖的全部圖片列表，以下圖所示。ide

所以，咱們只須要將列表中的url字段提取出來並下載下來就行了。每一組圖都創建一個文件夾，文件夾的名稱就爲組圖的標題。

接下來，就能夠直接用Python來模擬這個Ajax請求，而後提取出相關美圖連接並下載。可是在這以前，咱們還須要分析一下URL的規律。

切換回Headers選項卡，觀察一下它的請求URL和Headers信息，以下圖所示。

能夠看到，這是一個GET請求，請求URL的參數有offset、format、keyword、autoload、count和cur_tab。咱們須要找出這些參數的規律，由於這樣才能夠方便地用程序構造出來。

接下來，能夠滑動頁面，多加載一些新結果。在加載的同時能夠發現，Network中又出現了許多Ajax請求，以下圖所示。

這裏觀察一下後續連接的參數，發現變化的參數只有offset，其餘參數都沒有變化，並且第二次請求的offset值爲20，第三次爲40，第四次爲60，因此能夠發現規律，這個offset值就是偏移量，進而能夠推斷出count參數就是一次性獲取的數據條數。所以，咱們能夠用offset參數來控制數據分頁。這樣一來，咱們就能夠經過接口批量獲取數據了，而後將數據解析，將圖片下載下來便可。

3. 實戰演練

咱們剛纔已經分析了一下Ajax請求的邏輯，下面就用程序來實現美圖下載吧。

首先，實現方法get_page()來加載單個Ajax請求的結果。其中惟一變化的參數就是offset，因此咱們將它看成參數傳遞，實現以下：

import requests
from urllib.parse import urlencode

def get_page(offset):
    params = {
        'offset': offset,
        'format': 'json',
        'keyword': '街拍',
        'autoload': 'true',
        'count': '20',
        'cur_tab': '1',
    }
    url = 'http://www.toutiao.com/search_content/?' + urlencode(params)
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.json()
    except requests.ConnectionError:
        return None複製代碼

這裏咱們用urlencode()方法構造請求的GET參數，而後用requests請求這個連接，若是返回狀態碼爲200，則調用response的json()方法將結果轉爲JSON格式，而後返回。

接下來，再實現一個解析方法：提取每條數據的image_detail字段中的每一張圖片連接，將圖片連接和圖片所屬的標題一併返回，此時能夠構造一個生成器。實現代碼以下：

def get_images(json):
    if json.get('data'):
        for item in json.get('data'):
            title = item.get('title')
            images = item.get('image_detail')
            for image in images:
                yield {
                    'image': image.get('url'),
                    'title': title
                }複製代碼

接下來，實現一個保存圖片的方法save_image()，其中item就是前面get_images()方法返回的一個字典。在該方法中，首先根據item的title來建立文件夾，而後請求這個圖片連接，獲取圖片的二進制數據，以二進制的形式寫入文件。圖片的名稱可使用其內容的MD5值，這樣能夠去除重複。相關代碼以下：

import os
from hashlib import md5

def save_image(item):
    if not os.path.exists(item.get('title')):
        os.mkdir(item.get('title'))
    try:
        response = requests.get(item.get('image'))
        if response.status_code == 200:
            file_path = '{0}/{1}.{2}'.format(item.get('title'), md5(response.content).hexdigest(), 'jpg')
            if not os.path.exists(file_path):
                with open(file_path, 'wb') as f:
                    f.write(response.content)
            else:
                print('Already Downloaded', file_path)
    except requests.ConnectionError:
        print('Failed to Save Image')複製代碼

最後，只須要構造一個offset數組，遍歷offset，提取圖片連接，並將其下載便可：

from multiprocessing.pool import Pool

def main(offset):
    json = get_page(offset)
    for item in get_images(json):
        print(item)
        save_image(item)

GROUP_START = 1
GROUP_END = 20

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()複製代碼

這裏定義了分頁的起始頁數和終止頁數，分別爲GROUP_START和GROUP_END，還利用了多線程的線程池，調用其map()方法實現多線程下載。

這樣整個程序就完成了，運行以後能夠發現街拍美圖都分文件夾保存下來了，以下圖所示。