今日头条爬虫实战----爬取图片

点击上方“蓝字”关注我们

今日头条爬虫实战

Mar 27, 2020

本期介绍通过在头条中搜索关键词后，分析ajax内容来爬取相关图片

本文约1.8k字，预计阅读10分钟。

有时候我们在用 「requests」抓取页面的时候，得到的结果可能和在浏览器中看到的不一样：在浏览器中可以看到正常显示的页面数据，但是使用 requests得到的结果并没有。这是因为 requests获取的都是原始的HTML 文档，而浏览器中的页面则是经过 JavaScript处理数据后生成的结果，这些数据的来源有多种，可能是通过 Ajax加载的， 可能是包含在 HTML 文档中的，也可能是经过 JavaScript和特定算法计算后生成的 。

对于第一种情况，数据加载是一种异步加载方式，原始的页面最初不会包含某些数据，原始页面加载完后，会再向服务器请求某个接口获取数据，然后数据才被处理从而呈现到网页上，这其实就是发送了一个「Ajax」请求 。

所以如果遇到这样的页面，直接利用 requests等库来抓取原始页面，是无法获取到有效数据的，这时需要分析网页后台向接口发送的「 Ajax」请求，如果可以用「 requests」来模拟 「Ajax」请求，那么就可以成功抓取了 。

页面分析

打开Chrome/Safrai中的「检查」---「网络」，在头条官网上进行搜索，例如：天气之子，向下滚动，加载所有的信息，部分结果如下所示：

选择「XHR」，进行预览，分析「data」，我们主要是获取图片和它的标题（方便分类保存），如下所示：

我们观察发现：

• 图片的url都属于image_list字段，且data中表明了大图片的url格式，我们可以对提取的url更改为大图片的url；

• data中有些并不包含image_list或title，可以将这些情况去除；

加载单个Ajax请求

我们首先对请求头部进行分析：

通过对两个URL的格式分析，变化的参数只有「offset」，它的变化规律为0，20，40，...我们可以推断出它是一个偏移量，故我们可以设置参数offset，方便后续去加载所有的Ajax请求。

获取单个页面的json数据代码如下：

def get_page(offset):
  params = {
    'aid': 24,
    'app_name': 'web_search',
    'offset': offset,
    'format': 'json',
    'keyword': '天气之子',
    'autoload': 'true',
    'count': 20,
    'en_qc': 1,
    'cur_tab': 1,
    'from': 'search_tab',
    'pd': 'synthesis',
    'timestamp' : int(time.time_ns() / (10**6))
  }
  headers = {
  # cookie加入重中之重
  'cookie': ('__tasessionId=q6mp1lrxu1583224640956;' 
    'csrftoken=4d4dc07f33b82883b72743f5c81537ab;' 
    's_v_web_id=verify_k7bn2ml4_15YGHeUM_iH2m_4qAg_A8Ec_UlarLgh3Pcej;' 
    'SLARDAR_WEB_ID=4177e739-d79a-44bc-b568-502f52fe45d2;' 
    'tt_scid=7nzno7juT5MPzFuVZIr2zTCJKKlx-nEheWIm47qBeDd7PRKAcGCk-XD5jpZADunmcb54;' 
    'tt_webid=6799872105451128333;' 
    'tt_webid=6799872105451128333;' 
    'ttcid=2204991f51f148848ab9d33a3b1c85a639;' 
    'WEATHER_CITY=%E5%8C%97%E4%BA%AC'),
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537/36'+
  '(KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537/36'
  }
  url = 'https://www.toutiao.com/api/search/content/?' + urlencode(params)
  try:
    res = requests.get(url, headers=headers)
    if res.status_code == 200:
      return res.json()
  except requests.ConnectionError:
    return None

注：

• 「请求头部需要添加cookie，不然返回为空。」

• urlencode：将参数进行序列化； 

• 返回爬取页面的json形式，再对其进行解析时就不需要解析库进行分析了；

获取图片

返回的json为一个字典，我们需要它key为data的value，然后对data进行遍历：

• 首先判断当前是否存在title和image_list字段，不存在则跳过；

• 获取title和image_list对应的值，接着需要遍历image_list：

• 通过上述对图片的分析，我们需要大图片，故通过re.sub()方法对部分字符进行替换，因为存在两种格式，故分别进行分析替换

• 将图片和标题进行返回，此时来构造一个生成器（发现比直接使用list好用多了）

代码如下：

def get_images(json):
  if json.get('data'):
    for item in json.get('data'):
      if item.get('title') and item.get('image_list'):
         title = item.get('title')
         images = item.get('image_list')
         for image in images:
           if "190x124" in image.get('url'):
             image_url = re.sub('list/190x124', 'large', image.get('url'))
           else:
             image_url = re.sub('list', 'large', image.get('url'))
           yield{
           'image': image_url,
           'title': title
           }

保存图片

我们将所有的内容放在data/tianqizhizi下，并将每一个标题作为一个文件夹，生成对应目录；

代码如下：

def save_images(item):
  path = 'data/tinaiqzhizi/' + item.get('title')
  if not os.path.exists(path):
    os.makedirs(path)
  try:
    res = requests.get(item.get('image'))
    if res.status_code == 200:
      print(item)
      file_path = '{0}/{1}.{2}'.format(path, 
        md5(res.content).hexdigest(), 'png')
      if not os.path.exists(file_path):
        with open(file_path, 'wb') as f:
          f.write(res.content)
      else:
        print('Already Download', file_path)
  except requests.ConnectionError:
    print('Falied to Save Image')

注：

• 通过图片的url获取对应的二进制信息。

• 图片的名称可以使用其内容的 MD5 值，这样可以去除重复。

• 将二进制内容写入。

主函数

加载单个ajax后保存图片：

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

实现多进程进行下载：

if __name__ == '__main__':
  pool = Pool()
  groups = [x * 20 for x in range(0, 9)]
  pool.map(main, groups)
  pool.close()
  pool.join()

GitHub

GitHub地址：https://github.com/BlackSpaceGZY/Crawler

参考文献

[1] 崔庆才.python3网络爬虫实战[M].北京：人民邮电出版社，2018.

扫码关注更多精彩