第六部分（二） 分析Ajax爬取今日頭條街拍圖

分析今日頭條的Ajax請求抓取網頁數據，此次抓取今日頭條的街拍美圖，抓取完成後將每組圖片分文件夾下載到本地並保存下來。

1 抓取前的分析工做
首先分析抓取邏輯，打開今日頭條首頁：http://www.toutiao.com/。右上角有一個搜索入口，因爲要抓取街拍美圖，因此輸入「街拍」二字進行搜索。出現搜索結果頁面。

接着打開開發者工具，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  https://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，那末第一個請求的源代碼中必然會包含頁面結果中的文字。同時按下ctrl+F調出搜索框，輸入「43歲李小冉」，如圖4-1所示。

                                           圖4-1    搜索結果

從圖上可知，網頁源代碼中沒有包含這幾個字，搜索匹配結果數目爲0。由此可大體判斷這些內容是由Ajax加載，用JavaScript渲染出來的。切換到XHR過濾選項卡，發現有Ajax請求，看看它的結果是否包含了頁面中的相關數據。

點擊data字段展開，發現這裏有許多條數據。點擊第6條展開，有一個title字段對應的值正好是頁面中第一條數據的標題。檢查其餘數據，也有對應的關聯。如圖4-2所示。

                                                 圖4-2    對比結果

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_list字段，以列表形式呈現，這其中就包含了組圖的全部圖片列表。如圖4-3所示。

                                                    圖4-3      圖片列表信息
所以，只須要將列表中的url字段提取出來並下載下來就行。每一組都創建一個文件夾，文件夾名稱就是組圖的標題。接下來就可直接用Python來模擬這個Ajax請求，而後提取出相關美圖鏈接並下載。在這以前還須要分析一下URL的規律。回到Headers選項卡，觀察下它的請求URL和Headers信息。例以下面這個URL所示：
Request URL: https://www.toutiao.com/api/search/content/?aid=24&app_name=web_search&offset=0&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&en_qc=1&cur_tab=1&from=search_tab&pd=synthesis

能夠看到這是一個GET請求，請求URL參數有aid、app_name、offset、format、keyword、autoload、count、en_qc、cur_tab、from和pd。須要找出這些參數的規律才能方便的用程序構造出來。接着往下滑動頁面，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。觀察URL變化可知，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，...，這個規律就是offset值，也就是偏移量，從而推斷出count參數就是一次性獲取的數據條數。所以可用offset參數來控制數據分頁。這樣就能夠經過接口批量獲取數據，將數據解析，再將圖片下載下來便可。

3 實際操做經過前面的Ajax請求邏輯分析，下面就用程序來實現美圖下載。第一步：實現g et_page() 方法加載單個Ajax請求的結果。有變化的參數是offset，把它看成參數傳遞，代碼以下：import requestsfrom urllib.parse import urlencodedef get_page(offset):    """請求頁面的方法"""    params = {        'aid': '24',        'app_name': 'web_search',        'offset': offset,        'format': 'json',        'keyword': '街拍',        'autoload': 'true',        'count': '20',        'en_qc': '1',        'cur_tab': '1',        'from':'search_tab',        'pd': 'synthesis',    }    url = 'https://www.toutiao.com/api/search/content/?' + urlencode(params)    try:        response = requests.get(url)        if response.status_code == 200:            return response.json()    except requests.ConnectionError:        return None這裏的代碼中用 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格式後返回。第二步實現解析方法：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，可構造生成器來實現。代碼以下：import redef get_images(json):    """解析頁面的方法"""    if json.get('data'):        # data是一個字典列表，下面的for循環是在循環列表每一個元素        for item in json.get('data'):            # 有的元素沒有title字段，不須要爬取            if not item.get('title'):                continue            else:                title = item.get('title')                images = item.get('image_list')                large_image_url = item.get('large_image_url')                for image in images:                    image_list_url = image.get('url')                    try:                        # 有部分url匹配不成功，獲取image_list中的url後半部分及large_image_url的前半部分                        image_list_url_end = re.search('http.*/(.*)', image_list_url).group(1)                        large_image_url_start = re.search("(http:.*/).*", large_image_url).group(1)                    except AttributeError:                        print(image_list_url)                        continue                    image_url = large_image_url_start + image_list_url_end                    yield {                        'image': image_url,                        'title': title                    }第三步實現保存圖片的方法 save_image()：該方法有一個 item 參數，item參數是由 get_images() 方法返回的一個字典。在這個方法中，首先根據item的title建立文件夾，而後請求這個連接，獲取圖片的二進制數據，以二進制形式寫入文件。圖片名稱可以使用其內容的MD5值以免重複。代碼以下所示：import osfrom hashlib import md5def save_image(item):    """保存圖片：根據標題建立文件夾，根據圖片內容生成MD5值做圖片名稱來保存圖片"""    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')第四步：構造一個offset數組，遍歷offset，提取圖片連接，將將其下載便可：from multiprocessing.pool import Pooldef main(offset):    json = get_page(offset)    for item in get_images(json):        print(item)        save_image(item)GROUP_START = 0GROUP_END = 20if __name__ == '__main__':    pool = Pool()    groups = ([x * 20 for x in range(GROUP_START, GROUP_END)])    pool.map(main, groups)    pool.close()    pool.join()代碼中的 GROUP_START 和 GROUP_END 分別是起始頁數和終止頁數，還利用了多線程的線程池，調用其map方法實現多線程下載。運行程序成功後，在程序代碼所在的文件夾就可看到街拍圖片都分文件夾保存了下來。經過上面的實例操做知道了Ajax分析流程、Ajax分頁的模擬以及圖片的下載過程。