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response
的json()
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item
的title
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_START
和GROUP_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。
最后,我们给出本节的代码地址:https://github.com/Python3WebSpider/Jiepai。
原文地址:https://www.cnblogs.com/zhimaruanjian/p/8565166.html