分析ajax爬取今日头条街拍美图

Posted 2022-09-16 houyu

一、什么是ajax

AJAX 指异步 javascript 及 XML（Asynchronous JavaScript And XML）

ajax不是一门编程语言，而是利用Javascript在保证页面不被刷新，页面链接不改变的情况下与服务器交换数据并更新部分网页的技术

二、抓取分析

打开今日头条，并搜索街拍

网址：https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D

切换到 network-->XHR 可以看到红笔圈出的：x-requested-with:XMLHttpRequest

可判断为ajax请求

 

 

 

切换到preview从data中获得图片地址等信息，每条都是一一对应的 

 

 

 

 

 

再切换到headers，可以看到请求地址的各个参数

 

 

不断往下拉，发现变化的参数只有offset，每次加载一次加十

 

三、开始爬取

1、get_page(offset)请求页面函数：发送请求，将获得response利用json()方法转化为JSON格式，然后返回

2、get_image(json)解析函数：提取每一张图片链接，将图片链接和图片所属的标题一起返回，此时可以构造一个生成器

3、save_image(item)保存文件函数：根据item的title创建文件夹，将获得的图片以二进制的形式写入文件，图片文件名用MD5值，可以去重

4、主函数：构造一个offset数组，遍历offset，提取图片链接，并将其下载即可

 1 import requestsget
 2 from urllib.parse import urlencode
 3 
 4 def get_page(offset):
 5     headers = 
 6         ‘x-requested-with‘: ‘XMLHttpRequest‘,
 7         ‘user - agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/73.0.3683.86 Safari/537.36‘,
 8         ‘referer‘:‘https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D‘,
 9         ‘cookie‘:‘__tasessionId=ma7hh1k0i1564919983167; csrftoken=a2318e2879cb7daac5e3169ac6731316; tt_webid=6721280117165032963; UM_distinctid=16c5c7fee055e9-09bb3e770de9ee-7a1437-144000-16c5c7fee0685f; CNZZDATA1259612802=745403741-1564916538-%7C1564916538; s_v_web_id=7a3ff2239d94842e143caf217478bc62‘
10     
11     params = 
12         ‘aid‘: ‘24‘,
13         ‘app_name‘: ‘web_search‘,
14         ‘offset‘: offset,
15         ‘format‘: ‘json‘,
16         ‘keyword‘: ‘街拍‘,
17         ‘autoload‘: ‘true‘,
18         ‘count‘: ‘20‘,
19         ‘en_qc‘: ‘1‘,
20         ‘cur_tab‘: ‘1‘,
21         ‘from‘: ‘search_tab‘,
22         ‘pd‘: ‘synthesis‘,
23     
24     base_url = ‘https://www.toutiao.com/api/search/content/?‘
25     url = base_url + urlencode(params)
26     try:
27         response = requests.get(url,headers=headers)
28         if response.status_code == 200:
29             return response.json()
30     except requests.ConnectionError as e:
31         return None
32 
33 def get_image(json):
34     if json.get(‘data‘):
35         for item in json.get(‘data‘):
36             title = item.get(‘title‘)
37             images = item.get(‘image_list‘)
38             for image in images:
39                 yield 
40                     ‘image‘:image.get(‘url‘),
41                     ‘title‘:title
42                 
43 
44 import os
45 from hashlib import md5
46 
47 def save_image(item):
48     if not os.path.exists(item.get(‘title‘)):
49         os.mkdir(item.get(‘title‘))
50     try:
51         response = requests.get(item.get(‘image‘))
52         if response.status_code == 200:
53             file_path = ‘0/1.2‘.format(item.get(‘title‘),md5(response.content).hexdgest(),‘jpg‘)
54             if not os.path.exists(file_path):
55                 with open(file_path,‘wb‘) as f:
56                     f.write(response.content)
57             else:
58                 print(‘Already Downloaded‘,file_path)
59     except Exception as e:
60         print(‘Failed to Save Image‘)
61 
62 from multiprocessing.pool import Pool
63 
64 def main(offset):
65     json = get_page(offset)
66     for item in get_image(json):
67         print(item)
68         save_image(item)
69 
70 GROUP_START = 1
71 GROUP_END = 20
72 
73 if __name__ == ‘__main__‘:
74     pool = Pool()
75     groups = ([x * 20 for x in range(GROUP_START,GROUP_END + 1)])
76     pool.map(main,groups)
77     pool.close()
78     pool.join()