爬取今日头条街拍图片

197次阅读

共计 6842 个字符，预计需要花费 18 分钟才能阅读完成。

参考于崔庆才的 Python 爬虫教程，但是崔的视频时间过长，今日头条网站反爬虫也有了变化，因此写下此文章来记录自己的爬取过程遇到的问题，也给大家一些借鉴。欢迎大家讨论。
一、获取街索引页。
我们会发现 doc 下服务器给出的 response 里面全是些 js 代码，没有我们想要的二级页面链接。

然后查看 XHR 下，preview 会发现我们要的数据全在这里面，他是以一个 json 对象的存放的，由此我们知道他是由 Ajax 渲染的。（一般下滑加载出数据的基本都是 ajax 动态渲染的）。再看他的请求字符参数、请求头参数有很多，不过没什么问题，直接复制过来即可。

def get_index(offset, keyword):
    para = {
        'aid': '24',
        'app_name': 'web_search',
        'offset': offset,
        'format': 'json',
        'keyword': keyword,
        'autoload': 'true',
        'count': '20',
        'en_qc': '1',
        'cur_tab': '1',
        'from': 'search_tab',
        'pd': 'synthesis',
        'timestamp': '1593665684775',
        '_signature': '7' +
                      'yD7.AAgEBApd0Jxcjcfwe8huuAALHovmaBcff719uWpg6PhnCCgTgbuUckg1kLI3dQFdQZ1b3VwbtvV9P3ZaGHpjzTDdgJm.hxt6TELcPiJAsAOBYizC - 15.PpPHKolFtN'
    }
    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36',
        'cookie': 'tt_webid=6844895200352765453; ttcid=147baf1d0de44bcfaa3aaccb43de319231; csrftoken=e72569f7c754e03b930bbb54f34b7759; WEATHER_CITY=%E5%8C%97%E4%BA%AC; tt_webid=6845096485504583176; s_v_web_id=verify_kc5ojvq4_iZKfsEzB_AubR_44PZ_AgkE_hvFA5OJnJ4nc; SLARDAR_WEB_ID=ba4439ab-f467-42a9-9dcd-8be836757cc3; __tasessionId=mbg1eigaz1593748245904; tt_webid=6845096485504583176; __ac_nonce=05efeab2d00f5555e228f; __ac_signature=_02B4Z6wo00f01JctsQwAAIBDjnNXOcxFq8yXKbWAAHs9kTU3N2TXnkkV75OXvSXoT5pfhWopyS8N2zbrE1VOQlMWB8pFBr0ZvUmL9qtI0GvgW6d9cv9TeAEXgf1HZ3bDCooMMUBc9Rq-r53241; tt_scid=8TNWiPBmsnVRkGGZJ5frIVGKsH4gMngyY0s4KQWdyckfgNuI45yMdiqvIa1sudDF15e8'
    }
    url = 'https://www.toutiao.com/api/search/content/?' + urlencode(para)  # urlencode 可以吧字典类型转化为 url 中的请求参数
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            print('索引页请求成功')
            response.encoding = 'UTF-8'
            return response.text
        return None
    except RequestException:
        print('索引页请求失败')
        return None

二、解析索引页数据。
由于这个数据是在 js 中存储的，一般的爬虫库并不适用，所以我们使用正则表达式的方法将他匹配出来，然后取出各个索引的 Url 与 Title。

def parse_index_json(html):
    data = json.loads(html)  # 解析为 json 对象
    if data and 'data' in data.keys():
        for item in data.get('data'):  # 遍历 data 这个 json 数据
            if item and 'abstract' in item.keys():
                yield (item.get('article_url'), item.get('display').get('title').get('text'))

三、获取详情页。
这个页面我花了整整一天时间才获取到，在网上看别人爬的也都是使用 requests，但是我使用 requests 请求他，不管如何配置 headers，就是请求不到数据，请求个几十次可能才有一个 url 能请求到，我感觉是他反爬可能检测到了，于是我使用了 selenium(不能使用 headless Chrome 模式，不然返回的还是 None)，，去请求数据，果然成功了。（不过这种方法比较慢，不知道有什么好的方法，大家如果有请分享一下哈）。

def get_detail(url):
    driver = webdriver.Chrome()  # 声明浏览器驱动对象
    try:
        driver.get(url)
        html = driver.page_source
        driver.close()
        return html
    except RequestException:
        print('详情页请求失败')
        return None

四、解析详情页数据。
还是打开 doc 下的 response 查看网页代码，我们发现我们要的数据就在这里面的 js 代码中，虽然进行转码了，但是他的后缀跟图片 url 的后缀是一样的，于是同样对他使用正则表达式取出来转码，即可得到图片的 url。

def parse_detail(html):
    result = re.findall('JSON.parse\("(.*?)"\),', html, re.S)
    if result:
        data = result[0].encode('utf-8').decode('unicode-escape')  # 去掉 \\\u002F，先用 utf- 8 编码再用 unicode-escape 解码
        data = json.loads(data)
        if data and 'sub_images' in data.keys():  # 过滤掉不能爬的
            sub_images = data.get('sub_images')
![json.png](/img/bVbI3kO)'url') for item in sub_images]
            return image_url

五、获取图片页。
直接使用 requests 请求即可。

def download_image(img_url):
    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36',
        'Connection': 'keep - alive',
    }
    try:
        response = requests.get(img_url, headers=headers)
        if response.status_code == 200:
            save_image(response.content)  # 返回二进制内容，返回图片一般返回二进制内容
        return None
    except RequestException:
        print('图片请求失败')
        return None

六、下载图片，将图片信息保存至 MongoDB，不再叙述。

以下是完整代码：

import os
from hashlib import md5
import requests
from requests.exceptions import RequestException
from urllib.parse import urlencode
import json
import re
from selenium import webdriver

import pymongo
from config import *

client = pymongo.MongoClient(MONGO_URL)
db = client[MONGO_DB]

def get_index(offset, keyword):
    para = {
        'aid': '24',
        'app_name': 'web_search',
        'offset': offset,
        'format': 'json',
        'keyword': keyword,
        'autoload': 'true',
        'count': '20',
        'en_qc': '1',
        'cur_tab': '1',
        'from': 'search_tab',
        'pd': 'synthesis',
        'timestamp': '1593665684775',
        '_signature': '7' +
                      'yD7.AAgEBApd0Jxcjcfwe8huuAALHovmaBcff719uWpg6PhnCCgTgbuUckg1kLI3dQFdQZ1b3VwbtvV9P3ZaGHpjzTDdgJm.hxt6TELcPiJAsAOBYizC - 15.PpPHKolFtN'
    }
    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36',
        'cookie': 'tt_webid=6844895200352765453; ttcid=147baf1d0de44bcfaa3aaccb43de319231; csrftoken=e72569f7c754e03b930bbb54f34b7759; WEATHER_CITY=%E5%8C%97%E4%BA%AC; tt_webid=6845096485504583176; s_v_web_id=verify_kc5ojvq4_iZKfsEzB_AubR_44PZ_AgkE_hvFA5OJnJ4nc; SLARDAR_WEB_ID=ba4439ab-f467-42a9-9dcd-8be836757cc3; __tasessionId=mbg1eigaz1593748245904; tt_webid=6845096485504583176; __ac_nonce=05efeab2d00f5555e228f; __ac_signature=_02B4Z6wo00f01JctsQwAAIBDjnNXOcxFq8yXKbWAAHs9kTU3N2TXnkkV75OXvSXoT5pfhWopyS8N2zbrE1VOQlMWB8pFBr0ZvUmL9qtI0GvgW6d9cv9TeAEXgf1HZ3bDCooMMUBc9Rq-r53241; tt_scid=8TNWiPBmsnVRkGGZJ5frIVGKsH4gMngyY0s4KQWdyckfgNuI45yMdiqvIa1sudDF15e8'
    }
    url = 'https://www.toutiao.com/api/search/content/?' + urlencode(para)  # urlencode 可以吧字典类型转化为 url 中的请求参数
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            print('索引页请求成功')
            response.encoding = 'UTF-8'
            return response.text
        return None
    except RequestException:
        print('索引页请求失败')
        return None

def parse_index_json(html):
    data = json.loads(html)  # 解析为 json 对象
    if data and 'data' in data.keys():
        for item in data.get('data'):  # 遍历 data 这个 json 数据
            if item and 'abstract' in item.keys():
                yield (item.get('article_url'), item.get('display').get('title').get('text'))

def get_detail(url):
    driver = webdriver.Chrome()  # 声明浏览器驱动对象
    try:
        driver.get(url)
        html = driver.page_source
        driver.close()
        return html
    except RequestException:
        print('详情页请求失败')
        return None

def parse_detail(html):
    result = re.findall('JSON.parse\("(.*?)"\),', html, re.S)
    if result:
        data = result[0].encode('utf-8').decode('unicode-escape')  # 去掉 \\\u002F，先用 utf- 8 编码再用 unicode-escape 解码
        data = json.loads(data)
        if data and 'sub_images' in data.keys():  # 过滤掉不能爬的
            sub_images = data.get('sub_images')
            image_url = [item.get('url') for item in sub_images]
            return image_url

def save_to_mongo(result):
    if db[MONGO_TABLE].insert_one(result):
        print('存储到 MongoDB 成功', result)
        return True
    else:
        return False

def download_image(img_url):
    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36',
        'Connection': 'keep - alive',
    }
    try:
        response = requests.get(img_url, headers=headers)
        if response.status_code == 200:
            save_image(response.content)  # 返回二进制内容，返回图片一般返回二进制内容
        return None
    except RequestException:
        print('图片请求失败')
        return None

def save_image(content):
    file_path = '{0}/{1}.{2}'.format(os.getcwd() + '\\toutiaojiepai', 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():
    index_html = get_index(0, '街拍')
    # print(index_html)  #index_html 是一个字符串，json 格式
    for url, title in parse_index_json(index_html):
        if url and title:
            detail_html = get_detail(url)
            img_url = parse_detail(detail_html)
            result = {
                'url': url,
                'title': title,
                'image_url': img_url
            }
            save_to_mongo(result)
            if img_url:
                for j in img_url:
                    download_image(j)

if __name__ == '__main__':
    main()

config.py 为 MongoDB 配置文件：

MONGO_URL='localhost'
MONGO_DB='toutiao'
MONGO_TABLE='jiepai'

正文完
python3.x
发表至： python3.x
2020-07-04
 0
关于python3.x:物无定味适口者珍Python3并发场景CPU密集IO密集任务的并发方式的场景抉择多线程多进程协程asyncio
关于python3.x:jumpserver-api创建资产
关于python3.x:Python3编程实战Tetris游戏序
关于python3.x:Python37-比较两个Excel文件指定列的值的异同并将核对结果写入Excel中