【Python】Python3网络爬虫实战36、分析Ajax爬取今日头条街拍美图

本节我们以今日头条为例来尝试通过分析 Ajax 请求来抓取网页数据的方法，我们这次要抓取的目标是今日头条的街拍美图，抓取完成之后将每组图片分文件夹下载到本地保存下来。

在本节开始之前请确保已经安装好了 Requests 库，如没有安装可以参考第一章的安装说明。

在抓取之前我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，在这里我们尝试抓取街拍美图，所以输入“街拍”二字搜索一下，结果图 6-16 所示：

图 6-16 搜索结果

这样我们就跳转到了搜索结果页面。Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎

这时打开开发者工具，查看一下所有网络请求，我们首先打开第一个网络请求，这个请求的 URL 就是当前的链接：http://www.toutiao.com/search…，打开 Preview 选项卡查看 Response Body，如果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，我们可以尝试尝试搜索一下搜索结果的标题，比如“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没有包含这两个字，搜索匹配结果数目为 0。

所以我们就可以初步判断出这些内容是由 Ajax 加载然后用Javascript 渲染出来的，所以接下来我们可以切换到 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，我们点击第一条继续展开，可以发现有一个 title 字段，它的值正好就是页面中的第一条数据的标题，再检查一下其他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

那这就确定了这些数据确实是由 Ajax 加载的。

我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所有图片列表，如图 6-19 所示：

图 6-19 图片列表信息

所以我们只需要将列表中的 url 字段提取出来并下载下来就好了，每一组图都建立一个文件夹，文件夹的名称就命名为组图的标题。

接下来我们就可以直接用 Python 来模拟这个 Ajax 请求，然后提取出相关美图链接并下载即可。但是在这之前我们还需要分析一下 URL 的规律。

切换回 Headers 选项卡，我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

可以看到这是一个 GET 请求，请求 URL 的参数有 offset、format、keyword、autoload、count、cur_tab，我们需要找出这些参数的规律才方便用程序构造出来。

接下来我们可以滑动页面，多加载一些新的结果，在加载的同时可以发现 Network 中又出现了许多 Ajax 请求，如图 6-21 所示：

evernotecid://D603D29C-DFBA-4C04-85E9-CCA3C33763F6/appyinxiangcom/23852268/ENResource/p193

图 6-21 Ajax 请求

在这里观察一下后续链接的参数，可以发现变化的参数只有offset，其他的都没有变化，而且第二次请求的 offset 值为 20，第三次为 40，第四次为 60，所以可以发现规律，这个 offset 值就是偏移量，而进而可以推断出 count 参数就是一次性获取的数据条数，所以我们可以用 offset 参数来控制数据分页，这样一来，我们就可以通过接口批量获取数据了，然后将数据解析，将图片下载下来就大功告成了。

我们刚才已经分析了一下 Ajax 请求的逻辑，下面我们就用程序来实现美图下载吧。

首先我们实现一个方法用于加载单个 Ajax 请求的结果，叫做 get_page()，其中唯一变化的参数就是 offset，所以我们将 offset 当作参数传递，方法实现如下：

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


在这里我们用 urlencode() 方法构造了请求的 GET 参数，然后用 Requests 请求这个链接，如果返回状态码为 200，则调用 response 的 json() 方法将结果转为 Json 格式，然后返回。

接下来我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链接，将图片链接和图片所属的标题一并返回，构造一个生成器，代码如下：

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
                }
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎


接下来我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，在方法中我们首先根据 item 的 title 来创建文件夹，然后请求这个图片链接，获取图片的二进制数据，以二进制的形式写入文件，图片的名称可以使用其内容的 MD5 值，这样可以去除重复。

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')


最后我们只需要构造一个 offset 数组，遍历 offset，提取图片链接，并将其下载即可。

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()
Python资源分享qun 784758214 ,内有安装包，PDF，学习视频，这里是Python学习者的聚集地，零基础，进阶，都欢迎


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，运行之后可以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

本节代码地址：https://github.com/oldmarkfac…

以上便是抓取今日头条街拍美图的过程，通过本节我们可以了解 Ajax 分析的流程、Ajax 分页的模拟以及图片的下载过程。

本节的内容需要熟练掌握，在后面的实战中我们还会用到很多次这样的分析和抓取。