爬虫实战:头条图集Ajax抓取

"""
filename: toutiaophoto/spider.py
python: 3.7.0
description: 使用requests爬取今日头条图集存入mongodb

"""

import requests
from requests.exceptions import RequestException
import json
import re
import random
from config import *
from pymongo import MongoClient
from hashlib import md5

client = MongoClient(MONGO_URL)

def get_index_page(url, params):
    """获取索引页"""
    try:
        response = requests.get(url, params=params)
        print("[+] " +response.request.url)
        if response.status_code == 200:
            return response.text
        return "[-] status code(" + response.status_code + "): " + url
    except RequestException as e:
        print("[-] 获取索引页错误(" + e + "): " + url)

def parse_index_page(data):
    """解析索引页"""
    data = json.loads(data)
    items = data['data']
    for item in items:
        if 'article_url' in item.keys():
            if "toutiao.com" in item['article_url']:
                yield item['article_url']

def get_details_page(url, headers):
    """获取详情页"""
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.content.decode('utf8')
        return "[-] status code(" + str(response.status_code) + "): " + url
    except RequestException as e:
        print("[-] 获取详情页错误(" + e + "): " + url)

def parse_details_page(content):
    """解析详情页"""

    # 获取标题
    if re.search("title: '(.*?)'", content) is None:
        return None
    title = re.search("title: '(.*?)'", content).group(1)

    # 获取图片url
    pattern = re.compile(r'uri\\":\\"(.*?)"')
    items = pattern.findall(content)
    image_urls = []
    for item in items:
        image_urls.append("http://p99.pstatp.com/" + item.replace(r'\\', "", -1)[:-1])

    # 获取时间
    if re.search("publish_time: '(.*?)',", content) is None:
        time = None
    else:
        time = re.search("publish_time: '(.*?)',", content).group(1)

    # 构造规则结果
    item = {
        'title': title,
        'time': time,
        'image_urls': image_urls
    }
    return item


def main(offset):
    start_url = "https://www.toutiao.com/search_content/?"
    params = {
        'offset': offset,
        'format': 'json',
        'keyword': KEYWORD,
        'autoload': 'true',
        'count': '20',
        'cur_tab': '3',
        'from': 'gallery',
    }

    ua = [
        # 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
        # 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36',
        # "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
        # "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0",
        "Opera/9.80 (Windows NT 6.1; U; zh-cn) Presto/2.9.168 Version/11.50",
        ]
    headers = {
        "user-agent": random.choice(ua)
    }

    data = get_index_page(start_url, params=params)

    for details_url in parse_index_page(data):
        content = get_details_page(details_url, headers)
        item = parse_details_page(content)
        if item is not None:
            print(item['title'])
            item['_id'] = "ObjectId('" + md5(item['title'].encode('utf8')).hexdigest() + "')"
            # 唯一写入
            if client[MONGO_DB][MONGO_TABLE].find_one({"_id": item['_id']}):
                continue
            # 写入mongodb
            client[MONGO_DB][MONGO_TABLE].insert(item, continue_on_error=True)



if __name__ == '__main__':

    for i in range(START_PAGE, END_PAGE):
        main(i*10)
image.png

注意:有反爬,需要更换user-agent和代理

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,383评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,522评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,852评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,621评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,741评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,929评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,076评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,803评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,265评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,582评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,716评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,395评论 4 333
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,039评论 3 316
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,798评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,027评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,488评论 2 361
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,612评论 2 350

推荐阅读更多精彩内容