Python3网络爬虫实战---36、分析Ajax爬取今日头条街拍美图

摘要：上一篇文章网络爬虫实战数据爬取下一篇文章网络爬虫实战动态渲染页面抓取本节我们以今日头条为例来尝试通过分析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。

上一篇文章：Python3网络爬虫实战---35、 Ajax数据爬取
下一篇文章：Python3网络爬虫实战---37、动态渲染页面抓取:Selenium

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。
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
                }

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()

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。

上一篇文章：Python3网络爬虫实战---35、 Ajax数据爬取
下一篇文章：Python3网络爬虫实战---37、动态渲染页面抓取:Selenium