爬取今日头条中的图片

Posted 2020-10-31 骑着赶路

代码：https://github.com/factsbenchmarks/jinritoutiao

今日头条搜索 ：cos.

网址：https://www.toutiao.com/search/?keyword=cos

 

分析1 在network的doc中的Preview，看到只有一句话，并没有页面的信息，所以判定存在异步加载。

 

 

分析2  在XHR中，果然找到相关的json数据。注意，只有key值是 media_creator_id 才会是页面中显示的。

　　推荐一个chrome上的插件。JSON-handler，可以将json数据显示的更美观。

　　这便是其效果。

 

分析3 在data下拿到每个item 的url，访问这个url。这里面有点玄机。

　　比如，我们访问这个url：https://www.toutiao.com/a6543541911368499725/

　　 如果你用BeautifulSoup的select或者find方法，都找不到图片的 a 标签。尽管前端的html页面中会显示这个 a 标签。

　　那么，图片的地址放在那里了呢？

　　实际上可以通过Network-->doc-->Response查到

　　

 

　　分析 4 ，查看图片的绝对地址，然后，在doc-->Resoponse 中查找。可以发现是在articleInfo字典，content字段中。

　　这个页面的所有数据都在这里。

　　如何找到这个url呢？ 通过正则匹配。

　

　　分析5 拿到绝对地址，可以报图片下载下来，并将url保存到数据库中。