Python3网络爬虫实战---3六、分析Ajax爬取今日头条街拍美图

上一篇文章： Python3网络爬虫实战---3五、 Ajax数据爬取
下一篇文章：

本节咱们以今日头条为例来尝试经过分析 Ajax 请求来抓取网页数据的方法，咱们此次要抓取的目标是今日头条的街拍美图，抓取完成以后将每组图片分文件夹下载到本地保存下来。

1. 准备工做

在本节开始以前请确保已经安装好了 Requests 库，如没有安装能够参考第一章的安装说明。

2. 抓取分析

在抓取以前咱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：

图 6-15 首页内容
在右上角有一个搜索入口，在这里咱们尝试抓取街拍美图，因此输入“街拍”二字搜索一下，结果图 6-16 所示：

图 6-16 搜索结果
这样咱们就跳转到了搜索结果页面。
这时打开开发者工具，查看一下全部网络请求，咱们首先打开第一个网络请求，这个请求的 URL 就是当前的连接：http://www.toutiao.com/search...，打开 Preview 选项卡查看 Response Body，若是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，咱们能够尝试尝试搜索一下搜索结果的标题，好比“路人”二字，如图 6-17 所示：

图 6-17 搜索结果
然而发现网页源代码中并无包含这两个字，搜索匹配结果数目为 0。
因此咱们就能够初步判断出这些内容是由 Ajax 加载而后用JavaScript 渲染出来的，因此接下来咱们能够切换到 XHR过滤选项卡查看一下有没有 Ajax 请求。

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，咱们点击第一条继续展开，能够发现有一个 title 字段，它的值正好就是页面中的第一条数据的标题，再检查一下其余的数据也正好是一一对应的，如图 6-18 所示：

图 6-18 对比结果
那这就肯定了这些数据确实是由 Ajax 加载的。
咱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_detail 字段，它是一个列表形式，这其中就包含了组图的全部图片列表，如图 6-19 所示：

图 6-19 图片列表信息
因此咱们只须要将列表中的 url 字段提取出来并下载下来就行了，每一组图都创建一个文件夹，文件夹的名称就命名为组图的标题。
接下来咱们就能够直接用 Python 来模拟这个 Ajax 请求，而后提取出相关美图连接并下载便可。可是在这以前咱们还须要分析一下 URL 的规律。
切换回 Headers 选项卡，咱们观察一下它的请求 URL 和 Headers 信息，如图 6-20 所示：

图 6-20 请求信息
能够看到这是一个 GET 请求，请求 URL 的参数有 offset、format、keyword、autoload、count、cur_tab，咱们须要找出这些参数的规律才方便用程序构造出来。
接下来咱们能够滑动页面，多加载一些新的结果，在加载的同时能够发现 Network 中又出现了许多 Ajax 请求，如图 6-21 所示：

图 6-21 Ajax 请求
在这里观察一下后续连接的参数，能够发现变化的参数只有offset，其余的都没有变化，并且第二次请求的 offset 值为 20，第三次为 40，第四次为 60，因此能够发现规律，这个 offset 值就是偏移量，而进而能够推断出 count 参数就是一次性获取的数据条数，因此咱们能够用 offset 参数来控制数据分页，这样一来，咱们就能够经过接口批量获取数据了，而后将数据解析，将图片下载下来就大功告成了。

3. 实战演练

咱们刚才已经分析了一下 Ajax 请求的逻辑，下面咱们就用程序来实现美图下载吧。
首先咱们实现一个方法用于加载单个 Ajax 请求的结果，叫作 get_page()，其中惟一变化的参数就是 offset，因此咱们将 offset 看成参数传递，方法实现以下：

import requests
from urllib.parse import urlencode

def get_page(offset):
    params = {
        'offset': offset,
        'format': 'json',
        'keyword': '街拍',
        'autoload': 'true',
        'count': '20',
        'cur_tab': '1',
    }
    url = 'http://www.toutiao.com/search_content/?' + urlencode(params)
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.json()
    except requests.ConnectionError:
        return None

在这里咱们用 urlencode() 方法构造了请求的 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，而后返回。
接下来咱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连接，将图片连接和图片所属的标题一并返回，构造一个生成器，代码以下：

def get_images(json):
    if json.get('data'):
        for item in json.get('data'):
            title = item.get('title')
            images = item.get('image_detail')
            for image in images:
                yield {
                    'image': image.get('url'),
                    'title': title
                }

接下来咱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，在方法中咱们首先根据 item 的 title 来建立文件夹，而后请求这个图片连接，获取图片的二进制数据，以二进制的形式写入文件，图片的名称可使用其内容的 MD5 值，这样能够去除重复。

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')

最后咱们只须要构造一个 offset 数组，遍历 offset，提取图片连接，并将其下载便可。

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，运行以后能够发现街拍美图都分文件夹保存下来了，如图 6-22 所示：

图 6-22 保存结果

4. 本节代码

本节代码地址：https://github.com/oldmarkfac...

5. 结语

以上即是抓取今日头条街拍美图的过程，经过本节咱们能够了解 Ajax 分析的流程、Ajax 分页的模拟以及图片的下载过程。本节的内容须要熟练掌握，在后面的实战中咱们还会用到不少次这样的分析和抓取。