【摘要】 本節中，我們以今日頭條為例來嘗試通過分析Ajax請求來抓取網頁數據的方法。這次要抓取的目標是今日頭條的街拍美圖，抓取完成之后，將每組圖片分文件夾下載到本地并保存下來。

1. 準備工作

在本節開始之前，請確保已經安裝好requests庫。如果沒有安裝，可以參考第1章。

2. 抓取分析

在抓取之前，首先要分析抓取的邏輯。打開今日頭條的首頁http://www.toutiao.com/，如圖6-15所示。

圖6-15 首頁內容

右上角有一個搜索入口，這里嘗試抓取街拍美圖，所以輸入“街拍”二字搜索一下，結果如圖6-16所示。

圖6-16 搜索結果

這時打開開發者工具，查看所有的網絡請求。首先，打開第一個網絡請求，這個請求的URL就是當前的鏈接http://www.toutiao.com/search/?keyword=街拍，打開Preview選項卡查看Response Body。如果頁面中的內容是根據第一個請求得到的結果渲染出來的，那么第一個請求的源代碼中必然會包含頁面結果中的文字。為了驗證，我們可以嘗試搜索一下搜索結果的標題，比如“路人”二字，如圖6-17所示。

圖6-17 搜索結果

我們發現，網頁源代碼中并沒有包含這兩個字，搜索匹配結果數目為0。因此，可以初步判斷這些內容是由Ajax加載，然后用JavaScript渲染出來的。接下來，我們可以切換到XHR過濾選項卡，查看一下有沒有Ajax請求。

不出所料，此處出現了一個比較常規的Ajax請求，看看它的結果是否包含了頁面中的相關數據。

點擊data字段展開，發現這里有許多條數據。點擊第一條展開，可以發現有一個title字段，它的值正好就是頁面中第一條數據的標題。再檢查一下其他數據，也正好是一一對應的，如圖6-18所示。

圖6-18 對比結果

這就確定了這些數據確實是由Ajax加載的。

我們的目的是要抓取其中的美圖，這里一組圖就對應前面data字段中的一條數據。每條數據還有一個image_detail字段，它是列表形式，這其中就包含了組圖的所有圖片列表，如圖6-19所示。

圖6-19 圖片列表信息

因此，我們只需要將列表中的url字段提取出來并下載下來就好了。每一組圖都建立一個文件夾，文件夾的名稱就為組圖的標題。

接下來，就可以直接用Python來模擬這個Ajax請求，然后提取出相關美圖鏈接并下載。但是在這之前，我們還需要分析一下URL的規律。

切換回Headers選項卡，觀察一下它的請求URL和Headers信息，如圖6-20所示。

圖6-20 請求信息

可以看到，這是一個GET請求，請求URL的參數有offset、format、keyword、autoload、count和cur_tab。我們需要找出這些參數的規律，因為這樣才可以方便地用程序構造出來。

接下來，可以滑動頁面，多加載一些新結果。在加載的同時可以發現，Network中又出現了許多Ajax請求，如圖6-21所示。

圖6-21 Ajax請求

這里觀察一下后續鏈接的參數，發現變化的參數只有offset，其他參數都沒有變化，而且第二次請求的offset值為20，第三次為40，第四次為60，所以可以發現規律，這個offset值就是偏移量，進而可以推斷出count參數就是一次性獲取的數據條數。因此，我們可以用offset參數來控制數據分頁。這樣一來，我們就可以通過接口批量獲取數據了，然后將數據解析，將圖片下載下來即可。

3. 實戰演練

我們剛才已經分析了一下Ajax請求的邏輯，下面就用程序來實現美圖下載吧。

首先，實現方法get_page()來加載單個Ajax請求的結果。其中唯一變化的參數就是offset，所以我們將它當作參數傳遞，實現如下：

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.ConnectireplaceString:

return None

這里我們用urlencode()方法構造請求的GET參數，然后用requests請求這個鏈接，如果返回狀態碼為200，則調用response的json()方法將結果轉為JSON格式，然后返回。

接下來，再實現一個解析方法：提取每條數據的image_detail字段中的每一張圖片鏈接，將圖片鏈接和圖片所屬的標題一并返回，此時可以構造一個生成器。實現代碼如下：

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

}

接下來，實現一個保存圖片的方法save_image()，其中item就是前面get_images()方法返回的一個字典。在該方法中，首先根據item的title來創建文件夾，然后請求這個圖片鏈接，獲取圖片的二進制數據，以二進制的形式寫入文件。圖片的名稱可以使用其內容的MD5值，這樣可以去除重復。相關代碼如下：

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.ConnectireplaceString:

print('Failed to Save Image')

最后，只需要構造一個offset數組，遍歷offset，提取圖片鏈接，并將其下載即可：

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()

這里定義了分頁的起始頁數和終止頁數，分別為GROUP_START和GROUP_END，還利用了多線程的線程池，調用其map()方法實現多線程下載。

這樣整個程序就完成了，運行之后可以發現街拍美圖都分文件夾保存下來了，如圖6-22所示。

圖6-22 保存結果

最后，我們給出本節的代碼地址：https://github.com/Python3WebSpider/Jiepai。

通過本節，我們了解了Ajax分析的流程、Ajax分頁的模擬以及圖片的下載過程。

本節的內容需要熟練掌握，在后面的實戰中我們還會用到很多次這樣的分析和抓取。

來源：華為云社區 ?作者：崔慶才丨靜覓

本文老猿轉自：https://blog.csdn.net/devcloud/article/details/95064931，感謝大拿的分享！

轉載于:https://www.cnblogs.com/LaoYuanPython/p/11166824.html

總結

以上是生活随笔為你收集整理的转：【Python3网络爬虫开发实战】6.4-分析Ajax爬取今日头条街拍美图的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。