首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python爬虫之四:今日头条街拍美图

Python爬虫之四:今日头条街拍美图

作者头像
王强
发布2018-08-09 17:25:23
7280
发布2018-08-09 17:25:23
举报
文章被收录于专栏:Python爬虫实战Python爬虫实战

今天我们来爬取今日头条图集,老司机以街拍为例。

运行平台: Windows Python版本: Python3.6 IDE: Sublime Text 其他工具: Chrome浏览器

1、网页分析

从打开今日头条首页,搜索“街拍”,下面有四个标签页“综合”、“视频”、“图集”和“用户”,我们依次点击几个标签,页面虽然变化了,但是地址栏的网址并没有变化,说明网页内容是动态加载的。

按“F12”调出Developer Tools,并刷新页面,接下来分析Developer Tools:

①:点击Network

②:选择XHR

③:找以“?offset=“开头的一项并点击,右侧出现详情

④:点击右侧“Header”标签页

⑤:看到请求方式和请求地址

⑥:此处为请求的参数

接下来点击Preview标签页查看返回的数据:

返回数据格式为json,展开“data”字段,并展开第一项,查找“title”,可以看到和网页第一个图集标题一致,说明找对地方了。

继续分析,“data”第一项里有一个“image_detail”字段,展开可以看到6项,并且每一项都有一个url,一看就是图片网址,不知是不是我们要找的,将该url复制到浏览器打开确实和第一张缩略图一样,那么这6个是不是该图集中所有的图像呢?

点击网页第一个图集,可以看到确实只有6张图片,而且与返回json数据中的图片一致。

到这里分析完了吗?我们看一下网页中除了图片,文字和相关推荐占了那么多内容,图片显得有点小,我们在图片上右击选择“在新标签页中打开图片”,注意看地址栏:

发现其中奥秘了吗?图片地址“large”变成了“origin”,将两个图片分别保存,比较一下大小,origin比large大很多,这才是我们需要的,至此,网页分析全部完成,接下来开始写代码。

2、代码

采用requests库进行抓取,由于前面分析已经很详细,代码就不分开讲解,请看注释内容

#-*- coding: utf-8 -*-
import os
import re
import json
import requests
from urllib.parse import urlencode

def get_one_page(offset, keyword):
    '''
    获取网页html内容并返回
    '''
    paras = {
        'offset': offset,        # 搜索结果项开始的位置
        'format': 'json',        # 返回的数据格式
        'keyword': keyword,        # 搜索的关键字
        'autoload': 'true',        # 自动加载
        'count': 20,            # 每次加载结果的项目数
        'cur_tab': 3,            # 当前的tab页索引,3为“图集”
        'from': 'gallery'        # 来源,“图集”
    }

    url = 'https://www.toutiao.com/search_content/?' + urlencode(paras)
    try:
        # 获取网页内容,返回json格式数据
        response = requests.get(url)
        # 通过状态码判断是否获取成功
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None

def parse_one_page(html):
    '''
    解析出组图网址,并将网页中所有图集的标题及图片地址返回
    '''
    urls = []
    data = json.loads(html)
    if data and 'data' in data.keys():
        for item in data.get('data'):
            page_urls = []
            title = item.get('title')
            image_detail = item.get('image_detail')
            for i in range(len(image_detail)):
                # 获取large图片地址
                url = image_detail[i]['url']
                # 替换URL获取高清原图
                url = url.replace('large', 'origin')
                page_urls.append(url)
            urls.append({'title': title,'url_list': page_urls})
    return urls

def save_image_file(url, path):
    '''
    保存图像文件
    '''
    ir = requests.get(url)
    if ir.status_code == 200:
        with open(path, 'wb') as f:
            f.write(ir.content)
            f.close()

def main(offset, word):
    html = get_one_page(offset, word)
    urls = parse_one_page(html)

    # 图像文件夹不存在则创建
    root_path = word
    if not os.path.exists(root_path):
        os.mkdir(root_path)

    for i in range(len(urls)):
        print('---正在下载 %s'%urls[i]['title'])
        folder = root_path + '/' + urls[i]['title'] 
        if not os.path.exists(folder):
            try:
                os.mkdir(folder)
            except NotADirectoryError:
                continue
            except OSError:
                continue

        url_list = urls[i]['url_list']
        for j in range(len(url_list)):
            path = folder + '/index_' + str("%02d"%j) + '.jpg' 
            if not os.path.exists(path):
                save_image_file(urls[i]['url_list'][j], path)

if __name__ == '__main__':
    # 抓取2000个图集,基本上包含全部图集
    for i in range(100):
        main(i*20, '街拍')

可以根据自己喜好替换关键词下载你喜欢的图集。


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:2018-01-18,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 C与Python实战 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
目录
  • 1、网页分析
  • 2、代码
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