动态加载页面信息的提取
当我们浏览一个新闻类的网站，例如微博，今日头条，知乎等，由于它的内容极多，当我们搜索某一关键词的信息后，服务器只会向我们返回少量的数据，微博和头条是返回指定数量的数据，当我们再次向下刷新的时候，会再次通过Ajax请求返回指定数目的数据（如果你的网络不好时，会出现一个表示正在加载的小圆圈的动画效果）。知乎是当浏览器的滚动条触底时，再次提取数据。这就产生了一个问题，通过爬虫如何来提取通过Ajax请求动态加载的数据呢？
模拟Ajax请求
这时需要通过Chrome等浏览器的开发者工具，利用Chrome开发者工具的筛选功能筛选出所有的Ajax请求。选择network选项，直接点击XHR分析网页后台向接口发送的Ajax请求，用requests来模拟Ajax请求，那么就可以成功抓取信息了
待爬取网站的Ajax请求的分析
这里选择今日头条来搞事情，通过爬虫来下载头条上街拍关键词的图片，搜索关键词街拍，分析Ajax请求。下面是提取到的Ajax的主要信息
Request URL: https://www.toutiao.com/search_content/?
offset=0&
format=json&
keyword=%E8%A1%97%E6%8B%8D&
autoload=true&
count=20&
cur_tab=1&
from=search_tab
1.分析请求
https://www.toutiao.com/search_content/ 这个是请求的链接，后面还带了一个 ? 号，之后的都是请求所带的参数
pic1.PNG
通过刷新新内容不断的发送Ajax请求，对比不同的几个ajax请求，对比他们的不变的地方和改变的地方，为写程序做好准备。
-
可以发现每加载一次内容参数offset加20，表示偏移量，每次取20条数据
-
format是不变的，表示格式是json格式的，
-
Keyword是我们搜索的关键字
%E8%A1%97%E6%8B%8D& ,，可能是中文的某种加密方式加密后的结果 -
发现offset加20就可以了，其他参数照搬，因为都是不变的参数
2.分析响应
pic2.PNG
点击Preview分析响应内容。我们要下载图片，发现图片链接都在image_list里，一篇文章的一张或多张图片都在里面，而外层是data属性，标题在title属性里，这里获取标题名作为文件夹名称进行存储
代码实现
- 首先，实现方法get_page()来加载单个Ajax请求的结果。其中唯一变化的参数就是offset，所以我们将它当作参数传递，代码实现如下：
import requests
from urllib.parse import urlencode #Python内置的HTTP请求库
def get_page(offset):
params = {
'offset':offset,
'format': 'json',
'keyword':'街拍',
'autoload':'true',
'count':'20',
'cur_tab':'1',
'from' : 'search_tab',
}
url = 'https://www.toutiao.com/search_content/?'+ urlencode(params) #拼接URL
try:
r = requests.get(url)
if r.status_code == 200:
return r.json() # 返回json格式的响应内容
except:
return None
- urllib库
Python内置的HTTP请求库，通常我们使用的是功能更为强大的requests库，用到urllib的parse工具模块，提供了许多URL处理方法，比如拆分、解析、合并等。用urlencode()方法构造请求的GET参数。
- 接下来，再实现一个解析方法：提取每条数据的image_list字段中的每一张图片链接，将图片链接和图片所属的标题一并返回，同时构造一个生成器。实现代码如下：
def get_images(jsondata):
if jsondata.get('data'):
for item in jsondata.get('data'):
title = item.get('title')
images = item.get('image_list')
for image in images:
yield {
'image' : image.get('url'),
'title' : title
}
- 接下来，实现一个保存图片的方法save_image()，其中item就是前面get_images()方法返回的一个字典。在该方法中，首先根据item的title来创建文件夹，然后请求这个图片链接，获取图片的二进制数据，以二进制的形式写入文件。图片的名称可以使用其内容的MD5值，这样可以去除重复。
def save_image(item):
if not os.path.exists(item.get('title')):
os.mkdir(item.get('title'))
try:
image_url = item.get('image')
print(image_url)
r = requests.get('http:'+image_url)
if r.status_code == 200:
file_path = '{0}/{1}.{2}'.format(item.get('title'),md5(r.content).hexdigest(),'jpg')
if not os.path.exists(file_path):
with open(file_path,'wb') as f:
f.write(r.content)
else:
print('Already Downloaded', file_path)
except:
print('Faild to Save Image')
最后，构造一个offset数组，遍历offset，提取图片链接，并将其下载：
def main(offset):
jsondata = get_page(offset)
for item in get_images(jsondata):
print(item)
save_image(item)
num_start = 1
num_end = 20
if __name__ == '__main__':
pool = Pool()
num = ([x * 20 for x in range(num_start,num_end + 1)])
pool.map(main,num)
pool.close()
pool.join()
- 整体代码
import requests
from urllib.parse import urlencode
import os
from hashlib import md5
from multiprocessing.pool import Pool
def get_page(offset):
params = {
'offset':offset,
'format': 'json',
'keyword':'街拍',
'autoload':'true',
'count':'20',
'cur_tab':'1',
'from' : 'search_tab',
}
url = 'https://www.toutiao.com/search_content/?'+ urlencode(params)
try:
r = requests.get(url)
if r.status_code == 200:
return r.json()
except:
return None
def get_images(jsondata):
if jsondata.get('data'):
for item in jsondata.get('data'):
title = item.get('title')
images = item.get('image_list')
for image in images:
yield {
'image' : image.get('url'),
'title' : title
}
def save_image(item):
if not os.path.exists(item.get('title')):
os.mkdir(item.get('title'))
try:
image_url = item.get('image')
r = requests.get('http:'+ image_url)
if r.status_code == 200:
file_path = '{0}/{1}.{2}'.format(item.get('title'),md5(r.content).hexdigest(),'jpg')
if not os.path.exists(file_path):
with open(file_path,'wb') as f:
f.write(r.content)
else:
print('Already Downloaded', file_path)
except:
print('Faild to Save Image')
def main(offset):
jsondata = get_page(offset)
for item in get_images(jsondata):
print(item)
save_image(item)
num_start = 1
num_end = 20
if __name__ == '__main__':
pool = Pool()
num = ([x * 20 for x in range(num_start,num_end + 1)])
pool.map(main,num)
pool.close()
pool.join()
这里定义了分页的起始页数和终止页数，分别为num_start和num_end，还利用了多线程的线程池，调用其map()方法实现多线程下载
运行效果
pic3.PNG
网友评论