首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >开车啦!小爬虫抓取今日头条街拍美女图

开车啦!小爬虫抓取今日头条街拍美女图

作者头像
Python中文社区
发布2018-01-31 16:03:21
1.6K0
发布2018-01-31 16:03:21
举报
文章被收录于专栏:Python中文社区Python中文社区

專 欄

追梦人物,电子科技大学计算机学院研究生,从事大数据分析研究方向。主要使用 Python 语言进行相关数据的分析,熟练使用 django 开发网站系统。Django开源论坛作者(项目地址:https://github.com/zmrenwu/pythonzh.cn)。

博客地址:http://www.jianshu.com/u/f0c09f959299

先实际感受一下我们要抓取的福利是什么?点击 今日头条,在搜索栏输入街拍 两个字,点开任意一篇文章,里面的图片即是我们要抓取的内容。

可以看到搜索结果默认返回了 20 篇文章,当页面滚动到底部时头条通过 ajax 加载更多文章,浏览器按下 F12 打开调试工具(我的是 Chrome),点击 Network 选项,尝试加载更多的文章,可以看到相关的 http 请求:

可以看到请求的 URL(Request URL)为:http://www.toutiao.com/search_content/, 其请求参数为:

很容易猜测 offset 表示偏移量,即已经请求的文章数;format 为返回格式,这里返回的是 json 格式的数据;keyword 是我们的搜索关键字;autoload 应该是自动加载的指示标志,无关紧要;count 为请求的新文章数量;_ 应该是请求发起时的时间戳。将请求的 URL 和这些查询参数拼接即组成完整的 Request URL,例如这次的 Request URL 是: http://www.toutiao.com/search_content/?offset=20&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&_=1480675595492

先让我们来看看这个请求为我们返回了什么样的数据。

import json

from pprint import pprint

from urllib import request

url = "http://www.toutiao.com/search_content/?offset=20&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&_=1480675595492"



with request.urlopen(url) as res:

    d = json.loads(res.read().decode())

    print(d)

这里我们首先通过 request.urlopen(url) 向这个 url 发送请求,返回的数据保存在 res 中,res 是一个 HttpResponse 对象,通过调用其 read 方法获取实际返回的内容,由于 read 方法返回的是 Python 的 bytes 类型的字符串,通过调用其 decode 方法将其编码成 string 类型字符串,默认为 UTF-8 编码。由于数据以 json 格式返回,因此通过 json.load 方法将其转为 Python 的字典形式。

打印出这个字典,可以看到字典中有一个键 ‘data’ 对应着一个由字典组成的列表的值,分析可知这个值就是返回的全部文章的数据列表,稍微修改一下代码,来看看 ‘data’ 对应的值是什么样的:

with request.urlopen(url) as res:

    d = json.loads(res.read().decode())

    d = d.get('data')

    pprint(d)

这里使用了 pprint 让字典打印的出来的值更加的格式化,便于分析。可以看到这是一个由字典组成的列表,列表的每一个项代表一篇文章,包含了文章的全部基本数据,例如标题,文章的 URL 等。于是我们可以通过如下的方式来获取我们本次请求的全部文章的 URL 列表:

urls = [article.get('article_url') for article in d if article.get('article_url')]

这里使用了列表推导式,循环文章列表,通过 get('article_url') 获取到文章的 URL,加上 if 判断条件是为了防止因为数据缺失而得到空的文章 URL。我们将通过不断请求这些文章的 URL,读取其内容,并把图片提取出来保存到我们的硬盘里。

先来处理一篇文章,看看我们如何把文章里的全部图片提取出来。

随便点开一个文章链接,按 F12 查看网页源代码,可以看到文章的主体部分位于一个 id="article-main"

的 div 里。这个 div 下有 h1 标签表示文章标题,另外一系列 img 标签,其 src 属性即保存着图片所在的链接,于是我们通过访问这些链接把图片下载下来,看看具体怎么做:

url = "http://www.toutiao.com/a6351879148420235522/"



with request.urlopen(url) as res:

    soup = BeautifulSoup(res.read().decode(errors='ignore'), 'html.parser')

    article_main = soup.find('div', id='article-main')

    photo_list = [photo.get('src') for photo in article_main.find_all('img') if photo.get('src')]

    print(photo_list)



# 输出:
['http://p9.pstatp.com/large/111200020f54729cd558', 'http://p3.pstatp.com/large/11100005d3e8b9e69a88', 'ht

这里我们请求文章的 URL,将返回的内容(html)传递给 BeautifulSoup 为我们做解析。通过 find 方法找到 article-main 对应的 div 块,在该 div 块下继续使用 find_all 方法搜寻全部的 img 标签,并提取其 src 属性对应的值,于是我们便获得了该文章下全部图片的 URL 列表。 现在要做的就是继续请求这些图片的 URL,并把返回的图片数据保存到硬盘里。以一张图片示例:

photo_url = "http://p9.pstatp.com/large/111200020f54729cd558"

photo_name = photo_url.rsplit('/', 1)[-1] + '.jpg'



with request.urlopen(photo_url) as res, open(photo_name, 'wb') as f:

    f.write(res.read())

此时就可以在当前目录下看到我们保存下来的图片了。这里我们使用了 URL 最后一段的数字做为图片的文件名,并将其保存为 jpg 的格式。

基本步骤就是这么多了,整理下爬取流程:

  1. 指定查询参数,向 http://www.toutiao.com/search_content/ 提交我们的查询请求。
  2. 从返回的数据(JSON 格式)中解析出全部文章的 URL,分别向这些文章发送请求。
  3. 从返回的数据(HTML 格式)提取出文章的标题和全部图片链接。
  4. 再分别向这些图片链接发送请求,将返回的图片输入保存到本地。
  5. 修改查询参数,以使服务器返回新的文章数据,继续第一步。

完整代码挂在了 GitHub 上 ,代码中已经加了详细的注释,我运行此代码后一共爬取了大概 1000 多张图片。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-03-02,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Python中文社区 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档