第六部分（二） 分析Ajax爬取今日头条街拍图

分析今日头条的Ajax请求抓取网页数据，此次抓取今日头条的街拍美图，抓取完成后将每组图片分文件夹下载到本地并保存下来。

1 抓取前的分析工做
首先分析抓取逻辑，打开今日头条首页：http://www.toutiao.com/。右上角有一个搜索入口，因为要抓取街拍美图，因此输入“街拍”二字进行搜索。出现搜索结果页面。

接着打开开发者工具，查看全部的网络请求。首先打开第一个网络请求，这个请求的URL就是当前的连接  https://www.toutiao.com/search/?keyword=街拍，打开Preview选项卡查看Response Body。若是页面中的内容是根据第一个请求获得的结果渲染出来的，那末第一个请求的源代码中必然会包含页面结果中的文字。同时按下ctrl+F调出搜索框，输入“43岁李小冉”，如图4-1所示。

                                           图4-1    搜索结果

从图上可知，网页源代码中没有包含这几个字，搜索匹配结果数目为0。由此可大体判断这些内容是由Ajax加载，用JavaScript渲染出来的。切换到XHR过滤选项卡，发现有Ajax请求，看看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。点击第6条展开，有一个title字段对应的值正好是页面中第一条数据的标题。检查其余数据，也有对应的关联。如图4-2所示。

                                                 图4-2    对比结果

这里一组图就对应前面data字段中的一条数据。每条数据还有一个image_list字段，以列表形式呈现，这其中就包含了组图的全部图片列表。如图4-3所示。

                                                    图4-3      图片列表信息
所以，只须要将列表中的url字段提取出来并下载下来就行。每一组都创建一个文件夹，文件夹名称就是组图的标题。接下来就可直接用Python来模拟这个Ajax请求，而后提取出相关美图链接并下载。在这以前还须要分析一下URL的规律。回到Headers选项卡，观察下它的请求URL和Headers信息。例以下面这个URL所示：
Request URL: https://www.toutiao.com/api/search/content/?aid=24&app_name=web_search&offset=0&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&en_qc=1&cur_tab=1&from=search_tab&pd=synthesis

能够看到这是一个GET请求，请求URL参数有aid、app_name、offset、format、keyword、autoload、count、en_qc、cur_tab、from和pd。须要找出这些参数的规律才能方便的用程序构造出来。接着往下滑动页面，多加载一些新结果。在加载的同时能够发现，NetWork中又出现了许多Ajax请求。观察URL变化可知，变化的参数只有offset，其余参数都没有变化，并且第二次请求的offset值为20，第三次为40，第四次为60，...，这个规律就是offset值，也就是偏移量，从而推断出count参数就是一次性获取的数据条数。所以可用offset参数来控制数据分页。这样就能够经过接口批量获取数据，将数据解析，再将图片下载下来便可。

3 实际操做经过前面的Ajax请求逻辑分析，下面就用程序来实现美图下载。第一步：实现g et_page() 方法加载单个Ajax请求的结果。有变化的参数是offset，把它看成参数传递，代码以下：import requestsfrom urllib.parse import urlencodedef get_page(offset):    """请求页面的方法"""    params = {        'aid': '24',        'app_name': 'web_search',        'offset': offset,        'format': 'json',        'keyword': '街拍',        'autoload': 'true',        'count': '20',        'en_qc': '1',        'cur_tab': '1',        'from':'search_tab',        'pd': 'synthesis',    }    url = 'https://www.toutiao.com/api/search/content/?' + urlencode(params)    try:        response = requests.get(url)        if response.status_code == 200:            return response.json()    except requests.ConnectionError:        return None这里的代码中用 urlencode() 方法构造请求的GET参数，而后用 requests 请求这个连接，若是返回状态码为200，则调用 response 的 json() 方法将结果转为JSON格式后返回。第二步实现解析方法：提取每条数据的 image_detail 字段中的每一张图片连接，将图片连接和图片所属的标题一并返回，可构造生成器来实现。代码以下：import redef get_images(json):    """解析页面的方法"""    if json.get('data'):        # data是一个字典列表，下面的for循环是在循环列表每一个元素        for item in json.get('data'):            # 有的元素没有title字段，不须要爬取            if not item.get('title'):                continue            else:                title = item.get('title')                images = item.get('image_list')                large_image_url = item.get('large_image_url')                for image in images:                    image_list_url = image.get('url')                    try:                        # 有部分url匹配不成功，获取image_list中的url后半部分及large_image_url的前半部分                        image_list_url_end = re.search('http.*/(.*)', image_list_url).group(1)                        large_image_url_start = re.search("(http:.*/).*", large_image_url).group(1)                    except AttributeError:                        print(image_list_url)                        continue                    image_url = large_image_url_start + image_list_url_end                    yield {                        'image': image_url,                        'title': title                    }第三步实现保存图片的方法 save_image()：该方法有一个 item 参数，item参数是由 get_images() 方法返回的一个字典。在这个方法中，首先根据item的title建立文件夹，而后请求这个连接，获取图片的二进制数据，以二进制形式写入文件。图片名称可以使用其内容的MD5值以免重复。代码以下所示：import osfrom hashlib import md5def save_image(item):    """保存图片：根据标题建立文件夹，根据图片内容生成MD5值做图片名称来保存图片"""    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')第四步：构造一个offset数组，遍历offset，提取图片连接，将将其下载便可：from multiprocessing.pool import Pooldef main(offset):    json = get_page(offset)    for item in get_images(json):        print(item)        save_image(item)GROUP_START = 0GROUP_END = 20if __name__ == '__main__':    pool = Pool()    groups = ([x * 20 for x in range(GROUP_START, GROUP_END)])    pool.map(main, groups)    pool.close()    pool.join()代码中的 GROUP_START 和 GROUP_END 分别是起始页数和终止页数，还利用了多线程的线程池，调用其map方法实现多线程下载。运行程序成功后，在程序代码所在的文件夹就可看到街拍图片都分文件夹保存了下来。经过上面的实例操做知道了Ajax分析流程、Ajax分页的模拟以及图片的下载过程。