一、介绍
还是根据崔大大的视频来码的文章，不得不说，抓取文件并下载下来比抓取网页内容信息复杂多了
二、流程
目标站点分析
用浏览器打开今日头条输入‘街拍’，打开审查元素，点击‘图集’
1.首先我们要找到我们想要的街拍数据，这个一般是通过Ajax加载的，我们点击XHR选项，可以发现XHR项目里面的返回结果有我们想要的数据，当网页下拉时，后台（XHR里）会出现新的Ajax请求，发现还有参数offset变化，其他请求参数不变，即通过改变offset的值就可以拿到不同的数据
2.分析每一个页面的街拍美图，在Doc里有我们想要的图片的数据，我们可以用正则把我们想要的信息弄下来抓取索引页内容
利用Requests请求目标站点，得到索引网页HTML代码和HTML代码，返回结果抓取详情页内容
解析返回结果，得到详情页的链接，并进一步抓取详情页的信息下载图片与保存数据库
将图片下载到本地，并把页面信息及图片URL保存到MongoDB（为啥要保存到数据库呢？）开启循环及多线程
对多页内容遍历，开启多线程提高抓取速度
三、代码
#config.py
MONGO_URL='localhost'
MONGO_DB='toutiao'
MONGO_TABLE='toutiao'
group_start=1
group_end=10
KEYWORD='街拍'
import requests
from urllib.parse import urlencode
from requests.exceptions import RequestException
import json
from bs4 import BeautifulSoup
import re
from config import * #注意要把config.py文件放在环境变量的目录下
import pymongo
import os
from hashlib import md5
from multiprocessing import Pool
client=pymongo.MongoClient(MONGO_URL) #声明MongoDB对象
db=client[MONGO_DB] #定义db
def get_page_index(offset,keyword): #抓取索引页内容
data={
'offset': offset, #offset是可变的
'format': 'json',
'keyword': keyword,#keyword是可以定义的
'autoload':'true',
'count': '20',
'cur_tab': 3
}
#data是从XHR项目返回结果的Headers>Query String Parameters里的数据，Query String Parameters指的就是通过在URL中携带的方式提交的参数，也就是PHP中$_GET里的参数
url='https://www.toutiao.com/search_content/?'+urlencode(data) #urlencode可以把字典对象变成url的请求参数
try:
response=requests.get(url) #请求url
if response.status_code==200:
return response.text
return None
except RequestException: #所有requests的异常
print('请求索引页出错')
return None
def parse_page_index(html):
data=json.loads(html) #对字符串进行解析，把字符串转化成json对象
if data and 'data' in data.keys():
for item in data.get('data'):
yield item.get('article_url') #构造一个生成器，把所有的article_url解析出来
def get_page_detati(url):
try:
response=requests.get(url)
if response.status_code==200:
return response.text
return None
except RequestException:
print('请求详情页出错',url)
return None
def parse_page_detail(html,url): #解析子页面
soup=BeautifulSoup(html,'lxml') #用BeautifulSoup来解析获取的子页面html代码
titie=soup.select('title')[0].get_text() #CSS选择器
print(titie)
images_pattern=re.compile('gallery: (.*?),\n',re.S) #用正则来匹配出gallery里面的数据
result=re.search(images_pattern,html)
if result:
#print(result.group(1))
data=json.loads(result.group(1)) #对字符串进行解析，把字符串转化成json对象
if data and 'sub_images' in data.keys(): #判断里面是否含有我们想要的数据
sub_images=data.get('sub_images')
images=[item.get('url') for item in sub_images]
for image in images:download_imagg(image)
return {
'title':titie,
'url':url,
'images':images
}
def save_to_mongo(result):
if db[MONGO_TABLE].insert(result):
print('存储成功到MongoDB',result)
return True
return False
def download_imagg(url):
print('正在下载',url)
try:
response=requests.get(url)
if response.status_code==200:
#return response.text
save_image(response.content)
return None
except RequestException:
print('请求图片出错',url)
return None
def save_image(content):
file_path='{0}/{1}.{2}'.format(os.getcwd(),md5(content).hexdigest(),'jpg')
if not os.path.exists(file_path):
with open(file_path,'wb')as f:
f.write(content)
f.close()
def main(offset):
html=get_page_index(offset,KEYWORD)
#print(html)
for url in parse_page_index(html):
#print(url)
html=get_page_detati(url) #利用for循环，提取出所有的article_url
if html:
#parse_page_detail(html)
result=parse_page_detail(html,url)
#print(result)
if result:save_to_mongo(result)
if __name__=='__main__':
#main()
groups=[i*10 for i in range(group_start,group_end+1)]
pool=Pool()
pool.map(main,groups)
四、最后得到的数据视图和文件
1.png
2.png
五、总结
崔大大的这个爬虫视频涉及的知识点还是蛮多的，网页、数据库、包.....需要补充的知识点还是很多的
