tofacebook.com -专业IT技术社区(贪吃蛇学院) 芝麻HTTP:分析Ajax爬取今日头条街拍美图 Web程序 - 贪吃蛇学院-专业IT技术平台
284°

芝麻HTTP:分析Ajax爬取今日头条街拍美图 Web程序

标签:多线程下载   构造   二进制   ges   ajax   ofo   open   file_path   turn   

本节中,我们以今日头条为例来尝试通过分析Ajax请求来抓取网页数据的方法。这次要抓取的目标是今日头条的街拍美图,抓取完成之后,将每组图片分文件夹下载到本地并保存下来。

1. 准备工作

在本节开始之前,请确保已经安装好requests库。

2.实战演练 

首先,实现方法get_page()来加载单个Ajax请求的结果。其中唯一变化的参数就是offset,所以我们将它当作参数传递,实现如下:

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

这里我们用urlencode()方法构造请求的GET参数,然后用requests请求这个链接,如果返回状态码为200,则调用responsejson()方法将结果转为JSON格式,然后返回。

接下来,再实现一个解析方法:提取每条数据的image_detail字段中的每一张图片链接,将图片链接和图片所属的标题一并返回,此时可以构造一个生成器。实现代码如下:

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
                }

接下来,实现一个保存图片的方法save_image(),其中item就是前面get_images()方法返回的一个字典。在该方法中,首先根据itemtitle来创建文件夹,然后请求这个图片链接,获取图片的二进制数据,以二进制的形式写入文件。图片的名称可以使用其内容的MD5值,这样可以去除重复。相关代码如下:

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)

最后,只需要构造一个offset数组,遍历offset,提取图片链接,并将其下载即可:

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()

这里定义了分页的起始页数和终止页数,分别为GROUP_STARTGROUP_END,还利用了多线程的线程池,调用其map()方法实现多线程下载。

这样整个程序就完成了,运行之后可以发现街拍美图都分文件夹保存下来了,如图所示。

技术分享图片

最后,我们给出本节的代码地址:https://github.com/Python3WebSpider/Jiepai

芝麻HTTP:分析Ajax爬取今日头条街拍美图

标签:多线程下载   构造   二进制   ges   ajax   ofo   open   file_path   turn   

原文地址:https://www.cnblogs.com/zhimaruanjian/p/8565166.html


本文由百家号/熊掌号作者上传并发布,百家号仅提供信息发布平台。文章仅代表作者个人观点,不代表百度立场。

已有 0 条评论

    我有话说: