分析Ajax爬取今日头条街拍美图

本节中，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。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并保存下来。

1. 准备工做

在本节开始以前，请确保已经安装好requests库。若是没有安装，能够自行查阅 。

2. 抓取分析

在抓取以前，首先要分析抓取的逻辑。打开今日头条的首页http://www.toutiao.com/，以下图所示。

右上角有一个搜索入口，这里尝试抓取街拍美图，因此输入“街拍”二字搜索一下，结果以下图所示。

这时打开开发者工具，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http://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，那么第一个请求的源代码中必然会包含页面结果中的文字。为了验证，咱们能够尝试搜索一下搜索结果的标题，好比“路人”二字，以下图所示。

咱们发现，网页源代码中并无包含这两个字，搜索匹配结果数目为0。所以，能够初步判断这些内容是由Ajax加载，而后用JavaScript渲染出来的。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，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。点击第一条展开，能够发现有一个title字段，它的值正好就是页面中第一条数据的标题。再检查一下其余数据，也正好是一一对应的，以下图所示。

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，这里一组图就对应前面data字段中的一条数据。每条数据还有一个image_detail字段，它是列表形式，这其中就包含了组图的全部图片列表，以下图所示。

所以，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，文件夹的名称就为组图的标题。

接下来，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。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，观察一下它的请求URL和Headers信息，以下图所示。

能够看到，这是一个GET请求，请求URL的参数有offset、format、keyword、autoload、count和cur_tab。咱们须要找出这些参数的规律，由于这样才能够方便地用程序构造出来。

接下来，能够滑动页面，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，以下图所示。

这里观察一下后续连接的参数，发现变化的参数只有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，因此能够发现规律，这个offset值就是偏移量，进而能够推断出count参数就是一次性获取的数据条数。所以，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，将图片下载下来便可。

3. 实战演练

咱们刚才已经分析了一下Ajax请求的逻辑，下面就用程序来实现美图下载吧。

首先，实现方法get_page()来加载单个Ajax请求的结果。其中惟一变化的参数就是offset，因此咱们将它看成参数传递，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

这里咱们用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，而后返回。

接下来，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，此时能够构造一个生成器。实现代码以下：

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，实现一个保存图片的方法save_image()，其中item就是前面get_images()方法返回的一个字典。在该方法中，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。图片的名称能够使用其内容的MD5值，这样能够去除重复。相关代码以下：

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，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()

这里定义了分页的起始页数和终止页数，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，以下图所示。

最后，咱们给出本节的代码地址：https://github.com/Python3WebSpider/Jiepai。

经过本节，咱们了解了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。