Python爬虫之四：今日头条街拍美图

王强

发布于 2018-08-09 17:25:23

7900

发布于 2018-08-09 17:25:23

文章被收录于专栏：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。