Python基于分析Ajax請求實現(xiàn)抓取今日頭條街拍圖集功能示例
更新時間:2018年07月19日 09:24:35 作者:wanlifeipeng
這篇文章主要介紹了Python基于分析Ajax請求實現(xiàn)抓取今日頭條街拍圖集功能,涉及Python針對今日頭條URL請求與json數(shù)據(jù)處理相關操作技巧,需要的朋友可以參考下
本文實例講述了Python基于分析Ajax請求實現(xiàn)抓取今日頭條街拍圖集功能。分享給大家供大家參考,具體如下:

代碼:
import os
import re
import json
import time
from hashlib import md5
from multiprocessing import Pool
import requests
from requests.exceptions import RequestException
from pymongo import MongoClient
# 配置信息
OFFSET_START = 0 # 爬去頁面的起始下標
OFFSET_END = 20 # 爬去頁面的結束下標
KEYWORD = '街拍' # 搜索的關鍵字
# mongodb相關配置
MONGO_URL = 'localhost'
MONGO_DB = 'toutiao' # 數(shù)據(jù)庫名稱
MONGO_TABLE = 'jiepai' # 集合名稱
# 圖片保存的文件夾名稱
IMAGE_PATH = 'images'
headers = {
"User-Agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)'
}
client = MongoClient(host=MONGO_URL)
db = client[MONGO_DB]
jiepai_table = db[MONGO_TABLE]
if not os.path.exists(IMAGE_PATH):
os.mkdir(IMAGE_PATH)
def get_html(url, params=None):
try:
response = requests.get(url, params=params, headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestException as e:
print("請求%s失敗: " % url, e)
return None
# 獲取索引頁內容
def get_index_page(offset, keyword):
basic_url = 'http://www.toutiao.com/search_content/'
params = {
'offset': offset,
'format': 'json',
'keyword': keyword,
'autoload': 'true',
'count': 20,
'cur_tab': 3
}
return get_html(basic_url, params)
def parse_index_page(html):
'''
解析索引頁內容
返回: 索引頁中包含的所有詳情頁url
'''
if not html:
return
data = json.loads(html)
if 'data' in data:
for item in data['data']:
article_url = item['article_url']
if 'toutiao.com/group' in article_url:
yield article_url
# 獲取詳情頁
def get_detail_page(url):
return get_html(url)
# 解析詳情頁
def parse_detail_page(url, html):
'''
解析詳情頁
返回對應的標題,url和包含的圖片url
'''
title_reg = re.compile('<title>(.*?)</title>')
title = title_reg.search(html).group(1)
gallery_reg = re.compile('var gallery = (.*?);')
gallery = gallery_reg.search(html)
if gallery and 'sub_images' in gallery.group(1):
images = json.loads(gallery.group(1))['sub_images']
image_list = [image['url'] for image in images]
return {
'title': title,
'url': url,
'images': image_list
}
return None
def save_to_mongodb(content):
jiepai_table.insert(content)
print("存儲到mongdob成功", content)
def download_images(image_list):
for image_url in image_list:
try:
response = requests.get(image_url)
if response.status_code == 200:
save_image(response.content)
except RequestException as e:
print("下載圖片失敗: ", e)
def save_image(content):
'''
對圖片的二進制內容做hash,構造圖片路徑,以此保證圖片不重復
'''
file_path = '{0}/{1}/{2}.{3}'.format(os.getcwd(),
IMAGE_PATH, md5(content).hexdigest(), 'jpg')
# 去除重復的圖片
if not os.path.exists(file_path):
with open(file_path, 'wb') as f:
f.write(content)
def jiepai(offset):
html = get_index_page(offset, KEYWORD)
if html is None:
return
page_urls = list(parse_index_page(html))
# print("詳情頁url列表:" )
# for page_url in page_urls:
# print(page_url)
for page in page_urls:
print('get detail page:', page)
html = get_detail_page(page)
if html is None:
continue
content = parse_detail_page(page, html)
if content:
save_to_mongodb(content)
download_images(content['images'])
time.sleep(1)
print('-------------------------------------')
if __name__ == '__main__':
offset_list = range(OFFSET_START, OFFSET_END)
pool = Pool()
pool.map(jiepai, offset_list)
備注:
其實通過url請求返回的json數(shù)據(jù)中已經包含了圖片列表
import requests
basic_url = 'http://www.toutiao.com/search_content/?offset={}&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&cur_tab=3'
url = basic_url.format(0)
html = requests.get(url).json()
items = html['data']
for item in items:
title = item['media_name']
image_list = [image_detail['url'] for image_detail in item['image_detail']]
print(title, image_list)
更多關于Python相關內容感興趣的讀者可查看本站專題:《Python Socket編程技巧總結》、《Python URL操作技巧總結》、《Python數(shù)據(jù)結構與算法教程》、《Python函數(shù)使用技巧總結》、《Python字符串操作技巧匯總》及《Python入門與進階經典教程》
希望本文所述對大家Python程序設計有所幫助。
您可能感興趣的文章:
相關文章
Python數(shù)據(jù)擬合實現(xiàn)最小二乘法示例解析
這篇文章主要為大家介紹了Python數(shù)據(jù)擬合實現(xiàn)最小二乘法的示例解析,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步2021-10-10
Python導入引用其他文件的函數(shù)實戰(zhàn)案例(推薦!)
這篇文章主要給大家介紹了關于Python導入引用其他文件的函數(shù)的相關資料,文中通過代碼以及圖文介紹的非常詳細,對大家學習或者使用Python具有一定的參考借鑒價值,需要的朋友可以參考下2024-01-01

