摘要：上一篇文章網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)數(shù)據(jù)爬取下一篇文章網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)動態(tài)渲染頁面抓取本節(jié)我們以今日頭條為例來嘗試通過分析請求來抓取網(wǎng)頁數(shù)據(jù)的方法，我們這次要抓取的目標(biāo)是今日頭條的街拍美圖，抓取完成之后將每組圖片分文件夾下載到本地保存下來。

上一篇文章：Python3網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)---35、 Ajax數(shù)據(jù)爬取
下一篇文章：Python3網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)---37、動態(tài)渲染頁面抓取:Selenium

本節(jié)我們以今日頭條為例來嘗試通過分析 Ajax 請求來抓取網(wǎng)頁數(shù)據(jù)的方法，我們這次要抓取的目標(biāo)是今日頭條的街拍美圖，抓取完成之后將每組圖片分文件夾下載到本地保存下來。

在本節(jié)開始之前請確保已經(jīng)安裝好了 Requests 庫，如沒有安裝可以參考第一章的安裝說明。

在抓取之前我們首先要分析一下抓取的邏輯，首先打開今日頭條的首頁：http://www.toutiao.com/，如圖 6-15 所示：

圖 6-15 首頁內(nèi)容
在右上角有一個搜索入口，在這里我們嘗試抓取街拍美圖，所以輸入“街拍”二字搜索一下，結(jié)果圖 6-16 所示：

圖 6-16 搜索結(jié)果
這樣我們就跳轉(zhuǎn)到了搜索結(jié)果頁面。
這時打開開發(fā)者工具，查看一下所有網(wǎng)絡(luò)請求，我們首先打開第一個網(wǎng)絡(luò)請求，這個請求的 URL 就是當(dāng)前的鏈接：http://www.toutiao.com/search...，打開 Preview 選項(xiàng)卡查看 Response Body，如果頁面中的內(nèi)容是直接請求直接加載出來的，那么這第一個請求的源代碼中必然包含了頁面結(jié)果中的文字，為了驗(yàn)證，我們可以嘗試嘗試搜索一下搜索結(jié)果的標(biāo)題，比如“路人”二字，如圖 6-17 所示：

圖 6-17 搜索結(jié)果
然而發(fā)現(xiàn)網(wǎng)頁源代碼中并沒有包含這兩個字，搜索匹配結(jié)果數(shù)目為 0。
所以我們就可以初步判斷出這些內(nèi)容是由 Ajax 加載然后用JavaScript 渲染出來的，所以接下來我們可以切換到 XHR過濾選項(xiàng)卡查看一下有沒有 Ajax 請求。

不出所料，此處出現(xiàn)了一個比較常規(guī)的 Ajax 請求，觀察一下它的結(jié)果是否包含了頁面中的相關(guān)數(shù)據(jù)。
點(diǎn)擊 data 字段展開，發(fā)現(xiàn)這里有許多條數(shù)據(jù)，我們點(diǎn)擊第一條繼續(xù)展開，可以發(fā)現(xiàn)有一個 title 字段，它的值正好就是頁面中的第一條數(shù)據(jù)的標(biāo)題，再檢查一下其他的數(shù)據(jù)也正好是一一對應(yīng)的，如圖 6-18 所示：

圖 6-18 對比結(jié)果
那這就確定了這些數(shù)據(jù)確實(shí)是由 Ajax 加載的。
我們的目的是要抓取其中的美圖，這里一組圖就對應(yīng)上文中的 data 字段中的一條數(shù)據(jù)，每條數(shù)據(jù)還有一個image_detail 字段，它是一個列表形式，這其中就包含了組圖的所有圖片列表，如圖 6-19 所示：

圖 6-19 圖片列表信息
所以我們只需要將列表中的 url 字段提取出來并下載下來就好了，每一組圖都建立一個文件夾，文件夾的名稱就命名為組圖的標(biāo)題。
接下來我們就可以直接用 Python 來模擬這個 Ajax 請求，然后提取出相關(guān)美圖鏈接并下載即可。但是在這之前我們還需要分析一下 URL 的規(guī)律。
切換回 Headers 選項(xiàng)卡，我們觀察一下它的請求 URL 和 Headers 信息，如圖 6-20 所示：

圖 6-20 請求信息
可以看到這是一個 GET 請求，請求 URL 的參數(shù)有 offset、format、keyword、autoload、count、cur_tab，我們需要找出這些參數(shù)的規(guī)律才方便用程序構(gòu)造出來。
接下來我們可以滑動頁面，多加載一些新的結(jié)果，在加載的同時可以發(fā)現(xiàn) Network 中又出現(xiàn)了許多 Ajax 請求，如圖 6-21 所示：

evernotecid://D603D29C-DFBA-4C04-85E9-CCA3C33763F6/appyinxiangcom/23852268/ENResource/p193

圖 6-21 Ajax 請求
在這里觀察一下后續(xù)鏈接的參數(shù)，可以發(fā)現(xiàn)變化的參數(shù)只有offset，其他的都沒有變化，而且第二次請求的 offset 值為 20，第三次為 40，第四次為 60，所以可以發(fā)現(xiàn)規(guī)律，這個 offset 值就是偏移量，而進(jìn)而可以推斷出 count 參數(shù)就是一次性獲取的數(shù)據(jù)條數(shù)，所以我們可以用 offset 參數(shù)來控制數(shù)據(jù)分頁，這樣一來，我們就可以通過接口批量獲取數(shù)據(jù)了，然后將數(shù)據(jù)解析，將圖片下載下來就大功告成了。

我們剛才已經(jīng)分析了一下 Ajax 請求的邏輯，下面我們就用程序來實(shí)現(xiàn)美圖下載吧。
首先我們實(shí)現(xiàn)一個方法用于加載單個 Ajax 請求的結(jié)果，叫做 get_page()，其中唯一變化的參數(shù)就是 offset，所以我們將 offset 當(dāng)作參數(shù)傳遞，方法實(shí)現(xiàn)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

在這里我們用 urlencode() 方法構(gòu)造了請求的 GET 參數(shù)，然后用 Requests 請求這個鏈接，如果返回狀態(tài)碼為 200，則調(diào)用 response 的 json() 方法將結(jié)果轉(zhuǎn)為 Json 格式，然后返回。
接下來我們再實(shí)現(xiàn)一個解析方法，提取每條數(shù)據(jù)的 image_detail 字段中的每一張圖片鏈接，將圖片鏈接和圖片所屬的標(biāo)題一并返回，構(gòu)造一個生成器，代碼如下：

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
??????????????? }

接下來我們實(shí)現(xiàn)一個保存圖片的方法，item 就是剛才get_images() 方法返回的一個字典，在方法中我們首先根據(jù) item 的 title 來創(chuàng)建文件夾，然后請求這個圖片鏈接，獲取圖片的二進(jìn)制數(shù)據(jù)，以二進(jìn)制的形式寫入文件，圖片的名稱可以使用其內(nèi)容的 MD5 值，這樣可以去除重復(fù)。

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")

最后我們只需要構(gòu)造一個 offset 數(shù)組，遍歷 offset，提取圖片鏈接，并將其下載即可。

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()

在這里定義了分頁的起始和終止頁數(shù)，分別為 GROUP_START 和 GROUP_END，還利用了多線程的線程池，調(diào)用其 map() 方法實(shí)現(xiàn)多線程下載。
這樣整個程序都就完成了，運(yùn)行之后可以發(fā)現(xiàn)街拍美圖都分文件夾保存下來了，如圖 6-22 所示：

圖 6-22 保存結(jié)果

本節(jié)代碼地址：https://github.com/oldmarkfac...

以上便是抓取今日頭條街拍美圖的過程，通過本節(jié)我們可以了解 Ajax 分析的流程、Ajax 分頁的模擬以及圖片的下載過程。
本節(jié)的內(nèi)容需要熟練掌握，在后面的實(shí)戰(zhàn)中我們還會用到很多次這樣的分析和抓取。

上一篇文章：Python3網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)---35、 Ajax數(shù)據(jù)爬取
下一篇文章：Python3網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)---37、動態(tài)渲染頁面抓取:Selenium