下面实例是抓取头条图片信息，只是抓取了查询列表返回的json中image，大图标，由于该结果不会包含该链接详情页的所有图片列表；因此这里抓取不全；后续有时间在完善；
1、抓取头条街拍相关图片请求如下：
2、通过debug可以看到请求参数以及相应结果数据：
3、响应结果，比较重要的是data（group_id,image_list、large_image_url等字段）：
主程序如下：
抓取图片信息保存本地，然后将图片组和图片信息保存至mysql数据库；
1 #今日头条街拍数据抓取，将图片存入文件目录，将文件目录存放至mysql数据库
2 import requests
3 import time
4 from urllib.parse import urlencode
5 import urllib.parse
6 import os
7 from requests import Request, Session
8 import pymysql
9 class TouTiaoDeep:
10 def __init__(self):
11 self.url=‘https://www.toutiao.com/search_content/‘
12 self.imagePath=‘D:/toutiao/images/‘
13 self.headers={
14 ‘Accept‘:‘application/json, text/javascript‘,
15 ‘Accept-Encoding‘:‘gzip, deflate, br‘,
16 ‘Content-Type‘:‘application/x-www-form-urlencoded‘,
17 ‘Host‘: ‘www.toutiao.com‘,
18 ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:64.0) Gecko/20100101 Firefox/64.0‘,
19 ‘X-Requested-With‘: ‘XMLHttpRequest‘
20 }
21 self.param={
22 ‘offset‘:0,
23 ‘format‘:‘json‘,
24 ‘keyword‘: ‘街拍‘,
25 ‘autoload‘:‘true‘,
26 ‘count‘:20,
27 ‘cur_tab‘:1,
28 ‘form‘:‘search_tab‘,
29 ‘pd‘:‘synthesis‘
30 }
31 self.filePath="D:/toutiaoImages"
32 self.imgDict={} #{rows:[{title:‘‘,pathName:‘‘,images:[{name:‘‘,desc:‘‘,date:‘‘,downloadUrl:‘‘}...},...] ]}
33
34 def getImgDict(self,offset):
35 self.param[‘offset‘]=offset#偏移量
36 session=Session()
37 req=Request(method=‘GET‘,url=self.url ,params=self.param,headers=self.headers )
38 prep = session.prepare_request(req)
39 res = session.send(prep)
40 #print(res.status_code)
41 if res.status_code==200:
42 json=res.json()
43 #print(json)
44 for i in range(len(json[‘data‘])):
45 if ‘has_image‘ in json[‘data‘][i].keys() and json[‘data‘][i][‘has_image‘]:#其中有视频列表组，因此排除那些视频组
46 # print("标题：",json[‘data‘][i][‘title‘])
47 # print("图库：",json[‘data‘][i][‘image_list‘])
48 # print("图库简介：",json[‘data‘][i][‘abstract‘])
49 # print("图片个数：",(len(json[‘data‘][i][‘image_list‘])))
50 yield {
51 ‘group_id‘:json[‘data‘][i][‘group_id‘],
52 ‘groupTitle‘:json[‘data‘][i][‘title‘],
53 ‘groupImages‘:json[‘data‘][i][‘image_list‘],
54 ‘total‘:len(json[‘data‘][i][‘image_list‘]),
55 ‘abstract‘:json[‘data‘][i][‘abstract‘],
56 ‘large_image_url‘:json[‘data‘][i][‘large_image_url‘][:json[‘data‘][i][‘large_image_url‘].rindex(‘/‘)]
57 # 例如：http://p3-tt.bytecdn.cn/large/pgc-image/2dc7e3cd2e0c46f69ee67c11c13ff58e 最后一个是图片id，前面是大图片地址（每一组大图片地址不同）
58 # print(item[‘large_image_url‘][:item[‘large_image_url‘].rindex(‘/‘)])#获取组大图片的地址url
59 }
60 def imagesDownLoad(self,offset):
61 # 获得当前时间时间戳
62 now = int(time.time())
63 #转换为其他日期格式,如:"%Y-%m-%d %H:%M:%S"
64 timeStruct = time.localtime(now)
65 strTime = time.strftime("%Y-%m-%d %H:%M:%S", timeStruct)
66
67 datas=self.getImgDict(offset)
68 for item in datas:
69 #print(item)
70 #下载图片信息
71 groupImages=item[‘groupImages‘]
72 print(item[‘groupTitle‘])
73 for i in groupImages:
74 #print(i[‘url‘][(i[‘url‘].rindex(‘/‘)):])截取图片id即，图片地址最有一个namespace
75 imgURL=item[‘large_image_url‘]+i[‘url‘][(i[‘url‘].rindex(‘/‘)):]#拼成完成的image URL
76 print(imgURL)
77 #创建存储文件夹,组id命名
78 if not os.path.exists(self.imagePath+item[‘group_id‘]):
79 os.makedirs(self.imagePath+item[‘group_id‘])
80 #获取图片存上面指定目录中
81 try:
82 a = urllib.request.urlopen(imgURL)
83 except :
84 a=urllib.request.urlopen("http://p1.pstatp.com/origin/pgc-image/"+i[‘url‘][(i[‘url‘].rindex(‘/‘)):])#注意有一部分图片url路径是：http://p1.pstatp.com/origin/pgc-image/7290e8fcfdbc4a458d8ed7a6c1581283[前面的p1 可以任意换成p任意数字即可]
85 #注意；改程序在二十左右页抓取会出现图片路径资源错误
86 try:
87 f = open(self.imagePath+item[‘group_id‘]+"/"+i[‘url‘][(i[‘url‘].rindex(‘/‘)):]+‘.jpg‘, "wb")
88 f.write(a.read())
89 f.close()
90 #持久化图片信息
91 rows_1={
92 ‘imageId‘: i[‘url‘][(i[‘url‘].rindex(‘/‘)):],
93 ‘imagesource‘: imgURL,
94 ‘imageName‘:i[‘url‘][(i[‘url‘].rindex(‘/‘)):]+‘.jpg‘,
95 ‘imageDesc‘: ‘无‘,
96 ‘groupid‘: item[‘group_id‘]
97 }
98 self.imageInfPersistent(rows_1)
99 except:
100 print(‘文件下载失败‘)
101 #持久化图片组信息
102 rows_2 = {
103 ‘groupid‘:item[‘group_id‘],
104 ‘grouptitle‘:item[‘groupTitle‘],
105 ‘groupdesc‘:item[‘abstract‘],
106 ‘path‘:‘toutiao/images/‘+item[‘group_id‘],
107 ‘createTime‘:strTime
108 }
109 self.imgGroupPersistent(rows_2)
110
111
112
113 #mysql数据库持久化
114 def mysqlPersistent(self,tableName,data):
115 db = pymysql.connect(host=‘localhost‘, user=‘root‘, password=‘admin‘, port=3306, db=‘test‘)
116 cursor = db.cursor()
117 try:
118 columns = ‘,‘.join(data.keys())
119 values = ‘,‘.join([‘%s‘] * len(data))
120 sql = ‘insert into {table}({keys}) VALUES ({values}) ‘.format(table=tableName, keys=columns, values=values)
121 cursor.execute(sql, tuple(data.values()))
122 db.commit()
123 except:
124 db.rollback()
125 finally:
126 db.close()
127
128 #持久化图片组信息
129 def imgGroupPersistent(self,groupDict):
130 #图组信息表：组id、组标题、组简介、本地存储路径、创建时间
131 self.mysqlPersistent(‘imageGroup‘,groupDict)
132
133 #持久化图片信息
134 def imageInfPersistent(self,imageInfDict):
135 #图片信息表：图片id、来源地址、简介、所属组id
136 self.mysqlPersistent(‘imageInfo‘, imageInfDict)
137
138 #创建表
139 def createImgTable(self):
140 sql_imgGroup= ‘create table imageGroup(groupid varchar(50) primary key,grouptitle varchar(200) ,groupdesc text,path varchar(500),createTime varchar(50))‘
141 sql_imgInf=‘create table imageInfo(imageId varchar(50) primary key,imagesource varchar(200) ,imageName varchar(100),imageDesc text,groupid varchar(50) )‘
142 db = pymysql.connect(host=‘localhost‘, user=‘root‘, password=‘admin‘, port=3306, db=‘test‘)
143
144 cursor = db.cursor()
145 try :
146 cursor.execute(sql_imgGroup)
147 cursor.execute(sql_imgInf)
148 except:
149 print(‘表创建失败！‘)
150 finally:
151 cursor.close()
152
153 #删除表
154 def dropImgTables(self):
155 sql_dropImageGroup = ‘ drop table if exists imageGroup ‘
156 sql_dropImageInfo = ‘ drop table if exists imageInfo ‘
157 db = pymysql.connect(host=‘localhost‘, user=‘root‘, password=‘admin‘, port=3306, db=‘test‘)
158
159 cursor = db.cursor()
160 try:
161 cursor.execute(sql_dropImageGroup)
162 cursor.execute(sql_dropImageInfo)
163 except:
164 print(‘表删除失败！‘)
165 finally:
166 cursor.close()
167
168
169 if __name__==‘__main__‘:
170 deep=TouTiaoDeep()
171 deep.dropImgTables()#删除表
172 deep.createImgTable()#创建表
173 #print(deep.getImgDict())
174 for i in range(0,10*20,10):
175 deep.imagesDownLoad(i)
176 #deep.createImgTable()
操作后结果：注意，由于图片url拼接不能完全百分百正确，因此抓取数据会因为图片地址错误报异常；
原文地址：https://www.cnblogs.com/ygzhaof/p/10267090.html
时间： 2024-11-06 03:20:01