之前已经爬过今日头条街拍的美图，今天再次完善一下代码，并详解爬取过程及遇到的坑。废话不多说，抓紧上车啦。
分析页面
分析索引页
我们打开今日头条官网，在在搜索框输入「街拍」
然后点击确定，跳转到街拍的详情页。
这里可以看到上方有四个框，分别是 综合、视频、图集、用户。
两种方式
看到这里，就有两种不同的抓取方式。
- 抓取综合下方的图集，这个方式虽然可以抓取到图片，但是抓到的图片只有四张或一张，也就是看到的显示在标题下方的图片。而且获取的图片还不是高清的，还要替换每张图片的地址格式。
-
抓取图集下的图片，这种方式可以抓到所有一个标题下的图片，但是一页显示的图片抓取不到。
我看网上大多是第一种方式，这次为了练习，我们选取第二种方式。
我们点击图集，打开开发者工具「按F12」，不断下拉页面，页面地址没有变化，内容不断加载出来，这一看就是 Ajax 加载的页面。
详情这里面也有一些坑
- 如果你点击图集，打开开发者工具，刷新一下，你会发现，你的页面在综合这一栏。
-
你会发现你找到的上图的参数跟我的不一样。
这里你可以刷新之后点击图集，然后向下拖动几个，让页面多加载一些。
其中「cur_tab:3」这个参数中的数字对应图集，这下你明白了吧。
到这里就好办了，我们点击 Preview
可以看到 data 下方有 article_url 当然还有 image_url ，你点击 image_url 你会发现只有四个 url ，复制链接在浏览器上打开你发现 TMD 还不是大图，还是缩略图，所以我们不用它，我们获取 article_url ，获取之后再次请求不就完了吗。虽说麻烦，但是我们思路清晰，头脑发热，四肢简单。哎不对，跑题了。
分析详情页
这里我们来看看详情页的内容
这里我们随便点开一个组图的 url 来分析，我们可以看到返回的数据是一大堆 html ,这里有必要说一下， 我们在获取页面内容的时候，一般浏览器会返回给我们的是 response 里的内容。但是我们大多数爬取数据，用 xpath 、BeautifulSoup 获取数据，看的是 Elements 里的内容。这里一定要看看 response 里的内容和 Element 里的是否相同。
这里的图片地址还真是不好找，具体怎么找呢，点开图片的地址，复制下链接，在HTML里「Ctrl + F」就发现了。是在红色框里面的。
上代码
分析完了就开始上代码爬取
看看需要引入那些库
import requests
import re,json,os
from urllib.parse import urlencode
from bs4 import BeautifulSoup
from requests.exceptions import RequestException
#引入模块config中所有变量
from config import *
import pymongo
from hashlib import md5
from multiprocessing import Pool
这里引用的库有点多，所有本文的干货也是满满滴。
获取索引页数据
def get_page_index(offset,keyword):
# 获取页面的HTML
data = {
'offset': offset,
'format': 'json',
'keyword': keyword,
'autoload': 'true',
'count': '20',
'cur_tab': 3,
'from':'gallery'
}
try:
url = 'https://www.toutiao.com/search_content/?' + urlencode(data)
response = requests.get(url)
if response.status_code == 200:
return response.text
return None
except RequestException:
print('请求失败')
return None
获取索引页的内容，这里的「offset」是页面的规律、「keyword」是关键字，我们这篇文章是街拍。通过构造参数，拼接 url 。返回页面的 text。
解析索引页
def parse_page_index(html):
# 获取所有详情页的url
data = json.loads(html) #页面是json格式的，装换成字符串格式
# data.keys()返回所有键名
if data and 'data' in data.keys():
for item in data.get('data'):
yield item.get('article_url')
这个函数的主要作用就是提取所有的 article_url 。代码里面已经详细的说明了内容。
解析详情页的url
def get_page_detial(url):
#请求详情页的url
try:
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 '
'(KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.4882.400 QQBrowser/9.7.13039.400'}
response = requests.get(url,headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestException:
print('请求详情页失败')
return None
这里不加 headers 是获取不到数据的。
解析详情页
def parse_page_detial(html):
#获取详情页的标题和图片地址url
soup = BeautifulSoup(html, 'lxml')
title = soup.select('title')[0].get_text()
#利用正则提取图片地址
pattern = re.compile('.*?gallery: JSON.parse\("(.*?)\"\)', re.S)
result = re.search(pattern,html)
if result:
data = json.loads(result.group(1).replace('\\', ''))
if data and 'sub_images' in data.keys():
sub_images = data.get('sub_images')
#提取图片
images = [item.get('url') for item in sub_images]
#保存图片到本地
for image in images:download_image(image)
return {'title':title,
'image':images}
这里面有些东西要说一下了。
首先，这里获取的页面内容是 json 格式的，我们看一下这里的内容
这里获取用BeautifulSoup 获取 title 很方便，直接去第一个 title 就好了，关键就在这个image的提取。
这里是在红色框里的，这里涉及到了正则的用法，代码里用到了反斜杠，这里是转义匹配，要不然正则会匹配不到想要的数据。
还有在源代码中出现了好多反斜杠，不去除掉还是没办法匹配。
这些坑跨过之后就一帆风顺了。
保存到MongoDB
'''配置文件'''
#链接地址
MONGO_URL = 'localhost'
#数据库名称
MONGO_DB = 'jiepai'
#表名称
MONGO_TABLE = 'jiepai'
KEY_WORD = '街拍'
这是一些配置文件,注意，这里的配置文件是在另一个python文件中写的，所以说开头引入的库中有一个注释。
#引入模块config中所有变量
from config import *
import pymongo
#声明MongoDB对象
client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]
def save_to_mongo(result):
if db[MONGO_TABLE].insert(result):
print('存储到MongoDB成功')
这里插入到MongoDB。
保存到本地
def save_image(result):
file_path = '{0}/{1}{2}'.format(os.getcwd(),md5(result).hexdigest(),'jpg')
if not os.path.exists(file_path):
with open(file_path,'wb') as f:
f.write(result)
这里用了 hashlib 库的 md5 这个方法，目的是为了防止图片的重复，这个方法会根据图片的内容生成唯一的字符串，用来去重最好不过了。
这里说保存图片，没有下载图片，怎么保存，所以还要先下载图片。
def download_image(url):
try:
print('正在下载',url)
r = requests.get(url)
if r.status_code == 200:
save_image(r.content)
return False
except RequestException:
print('请求图片出错')
return False
细心的伙伴们已经发现，我们在解析详情页的时候插入的这个下载图片的函数。
开启多线程抓取
def main(offset):
# 调用函数
html = get_page_index(offset,KEY_WORD)
for url in parse_page_index(html):
html = get_page_detial(url)
if html:
result = parse_page_detial(html)
save_to_mongo(result)
if __name__ == '__main__':
pool = Pool()
group = [x * 20 for x in range(1,21)]
pool.map(main,group)
pool.close()
main()
这里声明一个线程池，调用 map 方法开启线程就可以了。
总结
到这里整个抓取过程就结束了。总体下来代码量要比平时抓取的要大，知识点也有很多。在这个过程中，即使找着代码敲也会发现不少的问题。抓取的过程就是不断调试的过程。
点个赞再走呗。
