说真的，花了几天的时间来搞一个别人已经干过的项目，不知道是不是不值得，但是后面我自己上手做了之后，我才发现，这必须值得，崔大的书是2018年的，而现在网络的更新速度太快了，书本上的接口知识点都变了，废了老多时间才弄懂这些，不过我觉得也值，所以把代码加强了一下，实现了我的功能，下面做个简单的分享。
都2020年了还没爬过今日头条，你做爬虫是不是显得OUT了？但是没事，虽然现在的接口都变化了，那我就讲下2020年怎么搞今日头条妹子写真，这是一个改进的项目，里面参加了我自己的很多想法，比如有些很难懂的，我自己用简单的方式去实现了它，个人感觉还是实现的不错的，各位看官可以看看。
这个妹子觉得好看的评论区扣好看，直接教你怎么搞到手！
项目介绍：
利用简单的进程池和Ajax数据爬取技术对今日头条关键词页面进行分析和处理，然后获取每个页面的链接，从而获得所有图片的链接，然后打包下载，
整个步骤我都会用小模块代码将其展示，实现不了的过来砍我! 就是这么的负责我跟你们说。
项目技术:
简单的进程池:
这里对进程的了解我也不是很多，简单的说下项目需要的函数：
from multiprocessing import Pool # 调用函数库
p = Pool(4) # 构造一个进程池，单位为4
p.close() # 关闭进程
p.join() # 开启进程
对Pool对象调用join()方法会等待所有子进程执行完毕，调用join()之前必须先调用close()，调用close()之后就不能继续添加新的Process了。
更多进程的知识点，还请各位大佬移步:廖老师的课堂
Ajax数据爬取:
网址的很多信息都不会直接全部出现在源代码里面，比如你刷网页，那些新刷出的网页就是一个个的通过ajax接口加载出来的，这是一种异步加载方式,原始的页面不会包含很多数据，数据都放在一个个接口里面，只有我们请求这个ajax接口，然后服务器后台收到这个接口信息，才会把数据返回，然后JavaScript分析这个数据，在渲染到浏览器页面上，这就是我们看到的模式,
现在越来越多的网页都是采用这个异步加载的方式，爬虫就现得没那么容易了，这个概念的讲的也拗口，我们直接开始实战吧！
项目作业:
最终作业效果图:
分析ajax接口获得数据：
数据包括：
- 每个页面的标题
- 每个页面的网址
目标网址: 今日头条关键词妹子
怎么知道他是不是ajax接口，主要有三点：
第一点
注意我这几个箭头，只要你在这里·查找·里面找不到与文章对应的文字还是链接什么的，那就可能是。
第二点
在这个XHR里面找到箭头的网址，点击，查看预览，这个时候你随意打开里面的东西，就能发现很多与文章相同的点
第三点
还是这张图，你可以看到X-requested里面的接口是XMLHttpRequets
如果三点同时满足，那他就是Ajax接口，然后异步加载出来的数据。
获得数据
在第二点的那张图我们可以看到有0，1，2，3，4，之类的，打开你会发现，都在这里面，图中我用箭头标红了，有标题和页面链接，只要获得这个页面链接，那么就很简单了。
编写程序：
获得json文件:
首先请求最开始的页面: https://www.toutiao.com/search/?keyword=%E7%BE%8E%E5%A5%B3
但是我们不能这样直接把页面交给requests库直接干，因为这是一个ajax接口，如果不加入参数，很可能让你输入什么验证码还是拉动验证条什么，反正就是很麻烦，那我们就加入参数，具体措施如下：
def get_page(offset): # offset偏移，因为每个ajax都是加载固定的页面数
# 这里是20，在第三点图上可以看得到
global headers # 全局变量 我后面还要用
headers = {
'cookie': 'tt_webid=6821518909792273933; WEATHER_CITY=%E5%8C%97%E4%BA%AC; SLARDAR_WEB_ID=b4a776dd-f454-43c6-81cd-bd37cb5fd0ec; tt_webid=6821518909792273933; csrftoken=4a2a6afcc9de4484af87a2ff8cba0638; ttcid=8732e6def0484fae975c136222a44f4932; s_v_web_id=verify_k9o5qf2w_T0dyn2r8_X6CE_4egN_9OwH_CCxYltDKYSQj; __tasessionId=oxyt6axwv1588341559186; tt_scid=VF6tWUudJvebIzhQ.fYRgRk.JHpeP88S02weA943O6b6-7o36CstImgKj1M3tT3mab1b',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36 Edg/81.0.416.68',
'referer': 'https://www.toutiao.com/search/?keyword=%E7%BE%8E%E5%A5%B3',
'x-requested-with': 'XMLHttpRequest'
} # 头信息 加入参数
params = {
'aid': ' 24',
'app_name': ' web_search',
'offset': offset,
'format': ' json',
'keyword': ' 美女',
'autoload': ' true',
'count': ' 20',
'en_qc': ' 1',
'cur_tab': ' 1',
'from': ' search_tab',
'pd': ' synthesis',
'timestamp': int(time.time())
}
url = 'https://www.toutiao.com/api/search/content/?' + urlencode(params) # 构造url， 使用到了urlencode() 函数
url = url.replace('=+', '=') # 这里必须注意现在的网址根本不一样
# print(url)
try:
r = requests.get(url, headers=headers, params=params)
r.content.decode('utf-8')
if r.status_code == 200:
return r.json() # 返回json格式 因为全是字典类型
except requests.ConnectionError as e:
print(e)
这里必须注意一点，请求的网址已经改掉了，我在代码里面给了解释，仔细看看。
获得标题和网址:
def get_image(json): # 获取图片
if json.get('data'): # 如果这个存在
for item in json.get('data'):
if item.get('title') is None:
continue # 如果标题是空值
title = item.get('title') # 获取标题
if item.get('article_url') == None:
continue
url_page = item.get('article_url')
# print(url_page)
rr = requests.get(url_page, headers=headers)
if rr.status_code == 200:
pat = '<script>var BASE_DATA = .*?articleInfo:.*?content:(.*?)groupId.*?;</script>' # 用正则大致匹配一下范围
match = re.search(pat, rr.text, re.S)
if match != None:
result = re.findall(r'img src=\\"(.*?)\\"', match.group(), re.S)
# print(i.encode('utf-8').decode('unicode_escape')
# 转换编码方式 把\u之类的改掉
yield {
'title': title,
'image': result
}
这里获取的网页链接都是Unicode格式的，在后面的下载部分，我给了修改方案，这也是一个暗坑。
下载图片:
def save_image(content):
path = 'D://今日头条美女//' # 目录
if not os.path.exists(path): # 创建目录
os.mkdir(path)
os.chdir(path)
else:
os.chdir(path)
# ------------------------------------------
if not os.path.exists(content['title']): # 创建单个文件夹
if '\t' in content['title']: # 以title为标题创建单个文件夹
title = content['title'].replace('\t', '') # 去除特殊符号 不然创建不了文件名称
os.mkdir(title + '//')
os.chdir(title + '//')
print(title)
else:
title = content['title']
os.mkdir(title + '//') # 创建文件夹
os.chdir(title + '//')
print(title)
else: # 如果存在
if '\t' in content['title']: # 以title为标题创建单个文件夹
title = content['title'].replace('\t', '') # 去除特殊符号 不然创建不了文件名称
os.chdir(title + '//')
print(title)
else:
title = content['title']
os.chdir(title + '//')
print(title)
for q, u in enumerate(content['image']): # 遍历图片地址列表
u = u.encode('utf-8').decode('unicode_escape')
# 先编码在解码 获得需要的网址链接
# 开始下载
r = requests.get(u, headers=headers)
if r.status_code == 200:
# file_path = r'{0}/{1}.{2}'.format('美女', q, 'jpg') # 文件的名字和地址，用三目运算符来调试文件夹的名字
# hexdisgest() 返回十六进制图片
with open(str(q) + '.jpg', 'wb') as fw:
fw.write(r.content)
print(f'该系列----->下载{q}张')
在U变量的时候进行了编码在解码操作，然后网址就正常很多了。
项目全部代码:
# -*- coding '':'' utf-8 -*-''
# @Time '':'' 2020/5/1 9:34''
# @author '':'' 沙漏在下雨''
# @Software '':'' PyCharm''
# @CSDN '':'' https://me.csdn.net/qq_45906219''
import requests
from urllib.parse import urlencode # 构造url
import time
import os
from hashlib import md5
from lxml import etree
from bs4 import BeautifulSoup
import re
from multiprocessing.pool import Pool
def get_page(offset):
global headers
headers = {
'cookie': 'tt_webid=6821518909792273933; WEATHER_CITY=%E5%8C%97%E4%BA%AC; SLARDAR_WEB_ID=b4a776dd-f454-43c6-81cd-bd37cb5fd0ec; tt_webid=6821518909792273933; csrftoken=4a2a6afcc9de4484af87a2ff8cba0638; ttcid=8732e6def0484fae975c136222a44f4932; s_v_web_id=verify_k9o5qf2w_T0dyn2r8_X6CE_4egN_9OwH_CCxYltDKYSQj; __tasessionId=oxyt6axwv1588341559186; tt_scid=VF6tWUudJvebIzhQ.fYRgRk.JHpeP88S02weA943O6b6-7o36CstImgKj1M3tT3mab1b',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36 Edg/81.0.416.68',
'referer': 'https://www.toutiao.com/search/?keyword=%E7%BE%8E%E5%A5%B3',
'x-requested-with': 'XMLHttpRequest'
} # 头信息 加入参数
params = {
'aid': ' 24',
'app_name': ' web_search',
'offset': offset,
'format': ' json',
'keyword': ' 美女',
'autoload': ' true',
'count': ' 20',
'en_qc': ' 1',
'cur_tab': ' 1',
'from': ' search_tab',
'pd': ' synthesis',
'timestamp': int(time.time())
}
url = 'https://www.toutiao.com/api/search/content/?' + urlencode(params) # 构造url
url = url.replace('=+', '=') # 网址根本不一样
# print(url)
try:
r = requests.get(url, headers=headers, params=params)
r.content.decode('utf-8')
if r.status_code == 200:
return r.json() # 返回json格式 因为全是字典类型
except requests.ConnectionError as e:
print(e)
def get_image(json): # 获取图片
if json.get('data'): # 如果这个存在
for item in json.get('data'):
if item.get('title') is None:
continue # 如果标题是空值
title = item.get('title') # 获取标题
# if item.get('image_list') is None: # 进行判空
# continue
# urls = item.get('image_list') # 获得图片网址
# for url in urls: # 遍历这个urls
# url = url.get('url')
# # 使用正则拼接网址
# url = 'http://p1.pstatp.com/origin/' + 'pgc-image/' + url.split('/')[-1]
if item.get('article_url') == None:
continue
url_page = item.get('article_url')
# print(url_page)
rr = requests.get(url_page, headers=headers)
if rr.status_code == 200:
pat = '<script>var BASE_DATA = .*?articleInfo:.*?content:(.*?)groupId.*?;</script>'
match = re.search(pat, rr.text, re.S)
if match != None:
result = re.findall(r'img src=\\"(.*?)\\"', match.group(), re.S)
# for i in result:
# print(i.encode('utf-8').decode('unicode_escape')
# 转换编码方式 把\u之类的改掉
yield {
'title': title,
'image': result
}
# 格式出错，这里产生了十六进制的数值， 网址获取不了，明天看
# yield {
# 'title': title,
# 'image': url
# } # 返回标题和网址
def save_image(content):
path = 'D://今日头条美女//' # 目录
if not os.path.exists(path): # 创建目录
os.mkdir(path)
os.chdir(path)
else:
os.chdir(path)
# ------------------------------------------
if not os.path.exists(content['title']): # 创建单个文件夹
if '\t' in content['title']: # 以title为标题创建单个文件夹
title = content['title'].replace('\t', '') # 去除特殊符号 不然创建不了文件名称
os.mkdir(title + '//')
os.chdir(title + '//')
print(title)
else:
title = content['title']
os.mkdir(title + '//') # 创建文件夹
os.chdir(title + '//')
print(title)
else: # 如果存在
if '\t' in content['title']: # 以title为标题创建单个文件夹
title = content['title'].replace('\t', '') # 去除特殊符号 不然创建不了文件名称
os.chdir(title + '//')
print(title)
else:
title = content['title']
os.chdir(title + '//')
print(title)
for q, u in enumerate(content['image']): # 遍历图片地址列表
u = u.encode('utf-8').decode('unicode_escape')
# 先编码在解码 获得需要的网址链接
# 开始下载
r = requests.get(u, headers=headers)
if r.status_code == 200:
# file_path = r'{0}/{1}.{2}'.format('美女', q, 'jpg') # 文件的名字和地址，用三目运算符来调试文件夹的名字
# hexdisgest() 返回十六进制图片
with open(str(q) + '.jpg', 'wb') as fw:
fw.write(r.content)
print(f'该系列----->下载{q}张')
def main(offset):
json = get_page(offset)
get_image(json)
for content in get_image(json):
try:
# print(content)
save_image(content)
except FileExistsError and OSError:
print('创建文件格式错误，包含特殊字符串:')
continue
if __name__ == '__main__':
pool = Pool()
groups = [j * 20 for j in range(8)]
pool.map(main, groups) # 传offset偏移量
pool.close()
pool.join()
项目体会:
这是我第一个爬虫项目，之前都是很简单的，这一次有点麻烦，总之，对于困难我们还是别怕，不会就百度，一直百度一定出结果！
项目修复:
- 正确的拼接网址，修复了data = None 的bug，在获得json文件里面得到了体现
- 加入必要的参数，避免了验证码和验证条的出现，这也很棒 =。=
- 进行编码解码操作， 修改了\u格式下的链接不匹配问题，在获得网址的时候我也提到了
- 下载图片的时候使用了子文件夹的处理，让下载的图片不会那么杂乱
- 下载采用了简单的线程池问题，加快了下载的速度
项目后记：
2020年，没啥做了，只剩加油了。
转载：https://blog.csdn.net/qq_45906219/article/details/105889730
查看评论