分析ajax爬取今日头条街拍美图

1、什么是ajax

AJAX 指异步 JavaScript 及 XML（Asynchronous JavaScript And XML）

ajax不是一门编程语言，而是利用Javascript在保证页面不被刷新，页面连接不改变的状况下与服务器交换数据并更新部分网页的技术

2、抓取分析

打开今日头条，并搜索街拍

网址：https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D

切换到 network-->XHR 能够看到红笔圈出的：x-requested-with:XMLHttpRequest

可判断为ajax请求

 

 

 

切换到preview从data中得到图片地址等信息，每条都是一一对应的 

 

 

 

 

 

再切换到headers，能够看到请求地址的各个参数

 

 

不断往下拉，发现变化的参数只有offset，每次加载一次加十

 

3、开始爬取

一、get_page(offset)请求页面函数：发送请求，将得到response利用json()方法转化为JSON格式，而后返回

二、get_image(json)解析函数：提取每一张图片连接，将图片连接和图片所属的标题一块儿返回，此时能够构造一个生成器

三、save_image(item)保存文件函数：根据item的title建立文件夹，将得到的图片以二进制的形式写入文件，图片文件名用MD5值，能够去重

四、主函数：构造一个offset数组，遍历offset，提取图片连接，并将其下载便可

 1 import requestsget  2 from urllib.parse import urlencode  3 
 4 def get_page(offset):  5     headers = {  6         'x-requested-with': 'XMLHttpRequest',  7         'user - agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',  8         'referer':'https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D',  9         'cookie':'__tasessionId=ma7hh1k0i1564919983167; csrftoken=a2318e2879cb7daac5e3169ac6731316; tt_webid=6721280117165032963; UM_distinctid=16c5c7fee055e9-09bb3e770de9ee-7a1437-144000-16c5c7fee0685f; CNZZDATA1259612802=745403741-1564916538-%7C1564916538; s_v_web_id=7a3ff2239d94842e143caf217478bc62'
10  } 11     params = { 12         'aid': '24', 13         'app_name': 'web_search', 14         'offset': offset, 15         'format': 'json', 16         'keyword': '街拍', 17         'autoload': 'true', 18         'count': '20', 19         'en_qc': '1', 20         'cur_tab': '1', 21         'from': 'search_tab', 22         'pd': 'synthesis', 23  } 24     base_url = 'https://www.toutiao.com/api/search/content/?'
25     url = base_url + urlencode(params) 26     try: 27         response = requests.get(url,headers=headers) 28         if response.status_code == 200: 29             return response.json() 30     except requests.ConnectionError as e: 31         return None 32 
33 def get_image(json): 34     if json.get('data'): 35         for item in json.get('data'): 36             title = item.get('title') 37             images = item.get('image_list') 38             for image in images: 39                 yield { 40                     'image':image.get('url'), 41                     'title':title 42  } 43 
44 import os 45 from hashlib import md5 46 
47 def save_image(item): 48     if not os.path.exists(item.get('title')): 49         os.mkdir(item.get('title')) 50     try: 51         response = requests.get(item.get('image')) 52         if response.status_code == 200: 53             file_path = '{0}/{1}.{2}'.format(item.get('title'),md5(response.content).hexdgest(),'jpg') 54             if not os.path.exists(file_path): 55                 with open(file_path,'wb') as f: 56  f.write(response.content) 57             else: 58                 print('Already Downloaded',file_path) 59     except Exception as e: 60         print('Failed to Save Image') 61 
62 from multiprocessing.pool import Pool 63 
64 def main(offset): 65     json = get_page(offset) 66     for item in get_image(json): 67         print(item) 68  save_image(item) 69 
70 GROUP_START = 1
71 GROUP_END = 20
72 
73 if __name__ == '__main__': 74     pool = Pool() 75     groups = ([x * 20 for x in range(GROUP_START,GROUP_END + 1)]) 76  pool.map(main,groups) 77  pool.close() 78     pool.join()