Python的Requests来爬取今日头条的图片和文章并且存入mongo
config.py
MONGO_HOST = 'localhost' MONGO_PORT = 27017 MONGO_DB = 'toutiao' MONGO_TABLE = 'toutiao' GROUP_START = 1 GROUP_END = 20 KEYWORD = '原油'
toutiao.py
import json import os from urllib.parse import urlencode import pymongo import requests from multiprocessing import Pool from requests.exceptions import ConnectionError from hashlib import md5 from config import * client = pymongo.MongoClient(MONGO_HOST, MONGO_PORT) db = client[MONGO_DB] def get_page_index(offset, keyword): data = { 'autoload': 'true', 'count': 20, 'cur_tab': 1, 'app_name': 'web_search', 'format': 'search_tab', 'keyword': keyword, 'offset': offset, } params = urlencode(data) base = 'https://www.toutiao.com/api/search/content' url = base + '?' + params try: response = requests.get(url) if response.status_code == 200: data = json.loads(response.text) if data and 'data' in data.keys(): if data.get('data') is not None: for item in data.get('data'): if item is not None: yield [item.get('article_url'), item.get('abstract'), item.get('large_image_url')] except ConnectionError: print('Error occurred') return None def download_image(url): print('Downloading', url) try: response = requests.get(url) if response.status_code == 200: save_image(response.content) return None except Exception: return None def save_image(content): file_path = '{0}/picture/{1}.{2}'.format(os.getcwd(), md5(content).hexdigest(), 'jpg') print(file_path) if not os.path.exists(file_path): with open(file_path, 'wb') as f: f.write(content) f.close() def save_to_mongo(result): if db[MONGO_TABLE].insert_one(result): print('Successfully Saved to Mongo', result) return True return False def main(offset): items = get_page_index(offset, KEYWORD) for item in items: if (item[2] is not None) and len(item[2])!=0: download_image(item[2]) if (item[0] is not None and len(item[0]) != 0)\ or (item[1] is not None and len(item[1]) != 0)\ or (item[2] is not None and len(item[2]) != 0): json = { 'article_url': item[0], 'abstract': item[1], 'large_image_url': item[2] } save_to_mongo(json) 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()
知识拓展:
一、用Flask+Redis维护Cookies池
为什什么要⽤用Cookies池
⽹网站需要登录才可爬取,例例如新浪微博
爬取过程中如果频率过⾼高会导致封号
需要维护多个账号的Cookies池实现⼤大规模爬取
Cookies池的要求
⾃自动登录更更新
定时验证筛选
提供外部接⼝口
代码:https://github.com/Python3WebSpider/CookiesPool
二、用Flask+Redis维护代理池
为什么要⽤用代理理池?
许多⽹网站有专⻔门的反爬⾍虫措施,可能遇到封IP等问题。
互联⽹网上公开了了⼤大量量免费代理理,利利⽤用好资源。
通过定时的检测维护同样可以得到多个可⽤用代理理。
代理理池的要求
多站抓取,异步检测
定时筛选,持续更更新
提供接⼝口,易易于提取
代码:https://github.com/Python3WebSpider/ProxyPool
三、VirtualEnv
Virtualenv他最大的好处是,可以让每一个python项目单独使用一个环境,而不会影响python系统环境,也不会影响其他项目的环境。
安装,virtualenv本质上是个python包, 使用pip安装:
pip install virtualenv
在工作目录下创建虚拟环境(默认在当前目录):注意需要自定义虚拟环境的名字!
~$virtualenv TestEnv New python executable in ~/TestEnv/bin/python Installing setuptools, pip, wheel...done.
默认情况下, 虚拟环境中不包括系统的site-packages, 若要使用请添加参数:
语法:virtualenv --system-site-packages TestEnv
使用virtualenv默认python版本创建虚拟环境
语法:virtualenv --no-site-packages ubuntu_env
四、url去重策略