爬取头条街拍

之前第一个项目应该是做这个头条街拍图的抓取,无奈自己LOW抓了几次不成功,就放弃了头条街拍转而去抓取妹子图网站,今天我再次折回,重新抓取头条街拍图。
首先我们打开头条主页,在对话框中输入街拍,搜索到的数据如下:



这个网页现在也比较复杂,有的东西并不是图片而是一些乱七八糟的评论性小文章,我们就直接跳过,只抓取图片。


乱七八糟的评论性文章

想要抓取的目标网页

分析头条索引页,分析索引页的html,获取想要抓取的目标网页的url:

显然我们想要的url就隐藏在这里面;
拿到了这个url之后呢,我们可以进入详情页:



前面我已经提到,这种网页并不是我们想要的目标网页,故忽略;

显然这个就是把我们想要得到的目标网页;
分析目标网页:

title显而易见,galler也可以提取,先将目标网页源代码转成JSON格式,然后利用正则提取图片信息即可。
然后就是保存图片了,下面是整个代码,代码很low,还得多学习,多多向各位大佬请教:
import json
import os
from json import JSONDecodeError
from urllib.parse import urlencode
import requests
from bs4 import BeautifulSoup
from requests.exceptions import RequestException
import re
from multiprocessing import Pool
from hashlib import md5



headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36',
        'cookie': 'tt_webid=6689770852458677768; WEATHER_CITY=%E5%8C%97%E4%BA%AC; UM_distinctid=16aa738630e890-02daeed22a3bba-f353163-1fa400-16aa738630f86c; tt_webid=6689770852458677768; csrftoken=85f646aac651995d0f0d477d9e1000b1; s_v_web_id=a9c80360734866fb880cd48244e4d2e3; CNZZDATA1259612802=1806456525-1557579889-https%253A%252F%252Fwww.baidu.com%252F%7C1557585289; __tasessionId=b9cl244be1557590374034; passport_auth_status=be3918f20b2cefdeae2de53331bb068a; sso_uid_tt=9364aef949fb1422b0d8445d87b9adb1; toutiao_sso_user=08d9d869618fc319637f6e2e11d3981e; login_flag=a7eae77d77aac773723e3468446bfa02; sessionid=7bf2d480f660db06fd489845e59608a1; uid_tt=555598b2d1b7b155f07da91a6fd45192; sid_tt=7bf2d480f660db06fd489845e59608a1; sid_guard="7bf2d480f660db06fd489845e59608a1|1557590405|15552000|Thu\054 07-Nov-2019 16:00:05 GMT'
  }


def get_page(offset):
        global url
        data = {
                'aid': '24',
                'app_name': 'web_search',
                'offset': offset,
                'format': 'json',
                'keyword': '街拍',
                'autoload': 'true',
                'count': '20',
                'en_qc': '1',
                'cur_tab': '1',
                'from': 'search_tab',
                'pd': 'synthesis',
        }
        url = 'https://www.toutiao.com/api/search/content/?' + urlencode(data)
        try:
                response = requests.get(url, headers=headers)
                if response.status_code == 200:
                        response.encoding = 'utf-8'
                        # print(response.text)
                        return response.text
                return None
        except RequestException:
                print('获取索引页失败')
def parse_page(html):
        data = json.loads(html)
        # print(data)
        if data and 'data' in data.keys():
                for item in data.get('data'):
                        title = item.get('title')
                        if title:
                                article_url = item.get('article_url')
                                yield article_url

def get_detail_page(detail_url):
        try:
                response = requests.get(detail_url,headers=headers)
                if response.status_code == 200:
                        print('获取详情页成功')
                        return response.text
                return None
        except RequestException:
                return None

def parse_detail_page(detail_html):
        soup = BeautifulSoup(detail_html, 'lxml')
        title = soup.select('title')[0].get_text()
        image_pattern = re.compile('gallery: JSON.parse\("(.*)"\)', re.S)
        result = re.search(image_pattern, detail_html)
        if result:
                try:
                        data = json.loads(result.group(1).replace('\\', ''))
                        if data and 'sub_images' in data.keys():
                                sub_images = data.get("sub_images")
                                images = [item.get('url') for item in sub_images]
                                for image in images: download_image(image)
                                return {
                                        'title': title,
                                        'url': url,
                                        'images': images
                                }
                except JSONDecodeError:
                        pass

def download_image(image):
        try:
                response = requests.get(image, headers=headers)
                if response.status_code == 200:
                        # print(response.text)
                        data = response.content
                        save_image(data)
                return None
        except RequestException:
                print('请求图片失败')

def save_image(data):
        print('正在下载')
        file_path = '{}/{}.{}'.format('D:\\bilibili大学\头条街拍\image',md5(data).hexdigest(), 'jpg')
        if not os.path.exists(file_path):
                with open(file_path,'wb') as f:
                        f.write(data)
                        f.close()

def main(offset):
        html = get_page(offset)
        detail_urls = parse_page(html)
        for detail_url in detail_urls:
                detail_html = get_detail_page(detail_url)
                # print(detail_html)
                parse_detail_page(detail_html)


if __name__ == '__main__':
        groups = [x * 2 for x in range(1, 21)]
        pool = Pool()
        pool.map(main, groups)
最后编辑于
©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 216,258评论 6 498
  • 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 92,335评论 3 392
  • 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 162,225评论 0 353
  • 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 58,126评论 1 292
  • 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 67,140评论 6 388
  • 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 51,098评论 1 295
  • 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 40,018评论 3 417
  • 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 38,857评论 0 273
  • 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 45,298评论 1 310
  • 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 37,518评论 2 332
  • 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 39,678评论 1 348
  • 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 35,400评论 5 343
  • 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 40,993评论 3 325
  • 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 31,638评论 0 22
  • 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 32,801评论 1 268
  • 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 47,661评论 2 368
  • 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 44,558评论 2 352