Python爬虫:分析ajax爬取今日头条街拍图片
【摘要】 # 项目介绍: 爬取今日头条街拍图片
# 思路:
# 1、通过观察列表页面,获取ajax的请求连接和参数
# 2、解析获取的json文件,获取图集连接
# 3、获取图集详情页
# 4、解析详情页,beautifulsoup解析出图集名称,re解析出图集连接
# 5、图集名称和图集链接存入mongodb
# 6、下载图片,并保存到本地文件夹
# 7、调试完成后,开启多进程...
# 项目介绍: 爬取今日头条街拍图片
# 思路:
# 1、通过观察列表页面,获取ajax的请求连接和参数
# 2、解析获取的json文件,获取图集连接
# 3、获取图集详情页
# 4、解析详情页,beautifulsoup解析出图集名称,re解析出图集连接
# 5、图集名称和图集链接存入mongodb
# 6、下载图片,并保存到本地文件夹
# 7、调试完成后,开启多进程执行整个过程
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
代码实现
import requests
import json
import re
import pymongo
import os
from hashlib import md5
from bs4 import BeautifulSoup
from multiprocessing import Pool
from requests.exceptions import RequestException
# 配置mongodb参数
client = pymongo.MongoClient("localhost", connect=False)
db = client["toutiao"]
# UserWarning: MongoClient opened before fork
def get_page_index(keyword, offset): # 获取图集列表 url = "https://www.toutiao.com/search_content/" parameters = { "offset": offset, "format": "json", "keyword": keyword, "autoload": "true", "count": 20, "cur_tab": 3, "from": "gallery", } response = requests.get(url, params=parameters) return response.text
def parse_page_index(text): # 解析图片列表 result = json.loads(text, encoding="utf-8") for item in result.get("data"): yield "https://www.toutiao.com/a" + item.get("id")
def get_page_detail(url): # 获取图片详细页面 headers = {"User-Agent": "Mozilla/5.0"} response = requests.get(url, headers=headers) return response.text
def parse_page_detail(html, url): # 解析图片详细页面内容 # 解析出图集标题 soup = BeautifulSoup(html, features="lxml") title = soup.find("title").get_text() # 解析图集包含图片链接 pattern = re.compile('gallery: JSON\.parse\(\"(.*?)\"\),', re.S) result = pattern.search(html) if result: ret = result.group(1).replace("\\", "") try: data = json.loads(ret) sub_images = data.get("sub_images") return { "title": title, "url": url, "images": [x.get("url") for x in sub_images] } except json.decoder.JSONDecodeError: print("json.decoder.JSONDecodeError")
def save_to_mongo(dct): # 存入mongo数据库 try: ret = db["toutiao"].insert(dct) print("存入成功", ret) except: print("存入失败")
def download_image(url): # 下载图片 print("下载图片:", url) response = requests.get(url) save_image(response.content)
def save_image(content): # 保存图片 file_dir = "{0}/{1}".format(os.getcwd(), "images") if not os.path.isdir(file_dir): os.makedirs(file_dir) path = os.path.join(file_dir, md5(content).hexdigest()+".jpg") print("保存成功:", path) if not os.path.exists(path): with open(path, "wb") as f: f.write(content)
def main(offset): # 程序入口 text = get_page_index(offset=offset, keyword="街拍") for url in parse_page_index(text): text = get_page_detail(url) result = parse_page_detail(text, url) save_to_mongo(result) if result: for url in result.get("images"): download_image(url)
if __name__ == "__main__": # 开启多进程下载图片 pool = Pool() pool.map(main, [x * 20 for x in range(10)])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
文章来源: pengshiyu.blog.csdn.net,作者:彭世瑜,版权归原作者所有,如需转载,请联系作者。
原文链接:pengshiyu.blog.csdn.net/article/details/80158662
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)