用Ajax爬取今日头条图片集

  在用requests抓取页面时，得到的结果可能和浏览器中看到的不一样：在浏览器中可以正常显示的页面数据，但用requests得到的结果并没有。这是因为requests获取的都是原始 HTML文档，而浏览器中页面
则是经过Ajax处理数据后生成的。这些数据可能在HTML文档中，也可能是经过JavaScript和特定算法后生成的。
  刚开始HTML文档中不包含某些数据，当原始页面加载完后，会向服务器发送Ajax请求获取数据，这些数据被JavaScript处理形成一些新页面。

  Ajax: 即异步的JavaScript和XML，是利用JavaScript在保证页面不刷新、链接不改变的情况下与服务器交换数据的并更新
部分网页的技术。

示例：用Ajax爬取今日头条图片

最近想买工装裤穿，可又不知道怎么搭配，所以就用爬虫爬下头条上工装裤的穿搭图片啦

(1) 获取网页页面的JSON文档 import os import requests from urllib.parse import urlencode #来构造url参数的 from hashlib import md5 #用来解析图片二进制的 #获取页面json def get_page(offest): params={ 'aid':'24', 'offest':offest, 'format':'json', 'keyword':'%E5%B7%A5%E8%A3%85%E8%A3%A4', 'autoload':'true', 'count':'20', 'cur_tab':'1', 'from':'search_tab', 'pd':'synthesis' } url='https://www.toutiao.com/api/search/content/?aid=24&offset=0&format=json&keyword=%E5%B7%A5%E8%A3%85%E8%A3%A4&autoload=true&count=20&cur_tab=1&from=search_tab&pd=synthesis'+urlencode(params) #用urlencode构造url中参数 try: response=requests.get(url) if response.status_code==200: #当请求成功时(status_code=200时)才继续下面代码 return response.json() #用json方法将结果转化成JSON格式 except requests.ConnectionError: return None

注意：
1）构造Ajax请求时，先探索清楚当前页面中Ajax请求链接的结构和规律。这里是Offest改变，其他参数不变。
2）使用urlencode方法构造请求的GET参数
3）发现只有offest发生改变，第一页0，第二页20，第三页40，依次增加20

(2)构造包含图片链接和标题的字典 #提取图片url和标题 def parse_page(json): if json.get('data'): for item in json.get('data'): #找到所需数据所处位置 if item.get('title')==None: #运行后发现不是每个item里都有图片链接和title，没有的直接跳过 continue title=item.get('title') #找到标题 print(title) images=item.get('image_list') print(images) for image in images: yield{ 'image':image.get('url'), #找到这个标题下的所以图片url 形成字典生成器 'title':title }

注意：
1）yield{}方法构造字典生成器非常简单，快速。
2）用json.get()方法在json文档中找取参数值非常快。

(3)把数据保存到本地 #实现保存图片的方法 def save_image(item): if not os.path.exists(item.get('title')): #创建以标题为名称的文件夹 os.mkdir(item.get('title')) try: response=requests.get(item.get('image')) #访问图片的url if response.status_code==200: file_path='{0}/{1}.{2}'.format(item.get('title'),md5(response.content).hexdigest(),'jpg') if not os.path.exists(file_path): #名称file_path使用其内容的md5值，可以去除重复 with open(file_path,'wb') as f: #访问成功后，将其二进制代码存入file_path.jpg中 f.write(response.content) else: print('Already Download',file_path) except requests.ConnectionError: print('Failed to save image')

注意：
1）这里的item就是(2)中得到的包含url和标题的字典
1）是以二进制写的方式存入文件，'wb'

(4)构造offest 进行遍历 def main(offest): json=get_page(offest) for item in parse_page(json): print(item) save_image(item) if __name__=='__main__': for i in range(0,4): offest=i*20 main(offest) PS：代码叙述有不完整的地方，欢迎大家私信我。完整代码链接https://github.com/xubin97