赵走x博客 - 开发者的网上家园

Python3网络爬虫实战：36、分析Ajax爬取今日头条街拍美图

资源编号:75812 Python3网络爬虫实战爬虫热度：31

本节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，我们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保存下来。

本节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，我们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保存下来。
# 1. 准备工作
在本节开始之前请确保已经安装好了 Requests 库，如没有安装可以参考第一章的安装说明。
# 2. 抓取分析
在抓取之前我们首先要分析一下抓取的逻辑，首先打开今日头条的首页：http://www.toutiao.com/ ，如图 6-15 所示：
![image.png](https://img.hacpai.com/file/2019/09/image-bf88d5d1.png)

图 6-15 首页内容
在右上角有一个搜索入口，在这里我们尝试抓取街拍美图，所以输入“街拍”二字搜索一下，结果图 6-16 所示：
![image.png](https://img.hacpai.com/file/2019/09/image-87b6194f.png)

图 6-16 搜索结果
这样我们就跳转到了搜索结果页面。
这时打开开发者工具，查看一下所有网络请求，我们首先打开第一个网络请求，这个请求的 URL 就是当前的链接：http://www.toutiao.com/search/?keyword=街拍 ，打开 Preview 选项卡查看 Response Body，如果页面中的内容是直接请求直接加载出来的，那么这第一个请求的源代码中必然包含了页面结果中的文字，为了验证，我们可以尝试尝试搜索一下搜索结果的标题，比如“路人”二字，如图 6-17 所示：
![image.png](https://img.hacpai.com/file/2019/09/image-9062ea8d.png)

图 6-17 搜索结果
然而发现网页源代码中并没有包含这两个字，搜索匹配结果数目为 0。
所以我们就可以初步判断出这些内容是由 Ajax 加载然后用JavaScript 渲染出来的，所以接下来我们可以切换到 XHR过滤选项卡查看一下有没有 Ajax 请求。
![image.png](https://img.hacpai.com/file/2019/09/image-6072b60b.png)

不出所料，此处出现了一个比较常规的 Ajax 请求，观察一下它的结果是否包含了页面中的相关数据。
点击 data 字段展开，发现这里有许多条数据，我们点击第3条继续展开，可以发现有一个 title 字段，它的值正好就是页面中的第一条数据的标题。（部分数据没有展示在页面上，后面我们要过滤掉这些数据）

那这就确定了这些数据确实是由 Ajax 加载的。
我们的目的是要抓取其中的美图，这里一组图就对应上文中的 data 字段中的一条数据，每条数据还有一个image_list 字段，它是一个列表形式，这其中就包含了组图的所有图片列表，如图 6-19 所示：
![image.png](https://img.hacpai.com/file/2019/09/image-197455ee.png)

图 6-19 图片列表信息
所以我们只需要将列表中的 url 字段提取出来并下载下来就好了，每一组图都建立一个文件夹，文件夹的名称就命名为组图的标题。
接下来我们就可以直接用 Python 来模拟这个 Ajax 请求，然后提取出相关美图链接并下载即可。但是在这之前我们还需要分析一下 URL 的规律。
切换回 Headers 选项卡，我们观察一下它的请求 URL 和 Headers 信息，如图 6-20 所示：
![image.png](https://img.hacpai.com/file/2019/09/image-c4442228.png)

图 6-20 请求信息
可以看到这是一个 GET 请求，请求 URL 的参数有 offset、format、keyword、autoload、count、cur_tab，我们需要找出这些参数的规律才方便用程序构造出来。
接下来我们可以滑动页面，多加载一些新的结果，在加载的同时可以发现 Network 中又出现了许多 Ajax 请求，如图 6-21 所示：
![image.png](https://img.hacpai.com/file/2019/09/image-37d8475d.png)

图 6-21 Ajax 请求
在这里观察一下后续链接的参数，可以发现变化的参数只有offset，其他的都没有变化，而且第二次请求的 offset 值为 20，第三次为 40，第四次为 60，所以可以发现规律，这个 offset 值就是偏移量，而进而可以推断出 count 参数就是一次性获取的数据条数，所以我们可以用 offset 参数来控制数据分页，这样一来，我们就可以通过接口批量获取数据了，然后将数据解析，将图片下载下来就大功告成了。
# 3. 实战演练
我们刚才已经分析了一下 Ajax 请求的逻辑，下面我们就用程序来实现美图下载吧。
首先我们实现一个方法用于加载单个 Ajax 请求的结果，叫做 get_page()，其中唯一变化的参数就是 offset，所以我们将 offset 当作参数传递，方法实现如下：
```
from urllib.parse import urlencode
import requests
import time

base_url='https://www.toutiao.com/api/search/content/?'

headers={
    # 打开链接，复制cookie就可以了
    'cookie':'tt_webid=6734577111727752712; s_v_web_id=6ddb001d2d27ac086d983e04ad1c05b0; WEATHER_CITY=%E5%8C%97%E4%BA%AC; __tasessionId=rv5eej3uk1568015931672; tt_webid=6734577111727752712; csrftoken=b37d93547b30ce486bf294bd555d6c7c',
    'Host':'www.toutiao.com',
    'Referer':'https://www.toutiao.com/search/?keyword=%E8%B7%AF%E4%BA%BA',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36',
    'X-Requested-With':'XMLHttpRequest'
}

def get_page(offset):
    #获取当前毫秒级时间戳
    timestamp=int(round(time.time()*1000))
    params={
        'aid':24,
        'app_name':'web_search',
        'offset':offset,
        'format':'json',
        'keyword':'路人',
        'autoload':'true',
        'count':'20',
        'en_qc':1,
        'cur_tab': '1',
        'from':'search_tab',
        'pd':'synthesis',
        'timestamp':timestamp
    }
    url=base_url+urlencode(params)
    try:
        response=requests.get(url,headers=headers)
        if response.status_code==200:
            return response.json()
    except requests.ConnectionError:
        print('报错了')
    return None
```
在这里我们用 urlencode() 方法构造了请求的 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。
接下来我们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，构造一个生成器，代码如下：
```
def get_images(json):
    if json and json.get('data'):
        for item in json.get('data'):
            title=item.get('title')
            images=item.get('image_list')
            # 剔除脏数据
            if title and images:
                for image in images:
                    yield {
                        'image':image.get('url'),
                        'title':title
                    }
```
接下来我们实现一个保存图片的方法，item 就是刚才get_images() 方法返回的一个字典，在方法中我们首先根据 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。
```
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')
```
最后我们只需要构造一个 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()
```
在这里定义了分页的起始和终止页数，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。
这样整个程序都就完成了，运行之后可以发现街拍美图都分文件夹保存下来了，如图 6-22 所示：
![image.png](https://img.hacpai.com/file/2019/09/image-030726ea.png)

图 6-22 保存结果
# 4. 结语
以上便是抓取今日头条街拍美图的过程，通过本节我们可以了解 Ajax 分析的流程、Ajax 分页的模拟以及图片的下载过程。
本节的内容需要熟练掌握，在后面的实战中我们还会用到很多次这样的分析和抓取。