今日头条组图下载本地,并存入MongoDB
我是跟着崔大神的视频进行学习的,这是他的一个案例,一步一步敲,代码肯定是没有问题的,肯定能学到一点东西,注释不想加了,下面自己一步一步完成的。(代码注释的部分,是为了测试,时常打印一下信息,看有没有问题)
流程框架:
- 爬取索引页内容:利用requests请求目标站点,得到索引网页HTML代码,返回结果
- 抓取详情页内容:解析返回结果,得到详情页的链接,并进一步抓取详情页的信息
- 下载图片并保存数据库
- 开启循环及多线程:对多网页内容遍历,开启多线程提高抓取速度
1、在网址www.toutiao.com,在搜索框输入“街拍”,打开开发者选项,发现返回的没有我们想要的数据,判断该网页是通过Ajax加载,JS渲染
2、点击XHR,点击第一个URL,看返回的json格式的数据,由于看的不方便,将它复制粘贴到json格式化阅读器中,可以看到title与头条里的title是一样的,说明数据是正确的
滚轮一直向下滑动,一次加载20个,发现offset在变化,count一直是20
3、点击第一个内容,进行跳转,在开发者选项里能不能找到图片的url,结果发现在Doc中的gallery中,有图片的地址。可以自己尝试,点击图片右键,查看图片的地址,进行对应。数了一下是11个图片的地址,不过这些需要正则匹配一下。
4、至此已经分析完页面,打开pycharm,创建一个项目,首先测试打印json返回的数据,发现能打印出来,一定要加headers,不然是打印不出东西来的。后面就需要我们进行解析
import requests
from urllib.parse import urlencode
def get_page_index(offset):
headers = {
'referer': 'https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D',
'cookie': 'tt_webid=6741580036883301901; WEATHER_CITY=%E5%8C%97%E4%BA%AC; __tasessionId=uthwjgcvi1569646429442; tt_webid=6741580036883301901; csrftoken=22882f942604650099034bfe8636766a; s_v_web_id=3fa020c7425a1ebabcf947ef5b12327e',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36',
'x-requested-with': 'XMLHttpRequest'
}
params = {
'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(params)
print(url)
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
return response.text
except requests.ConnectionError:
return None
def main():
html = get_page_index(0)
print(html)
if __name__ == '__main__':
main()
5、增加解析索引页的图片的url,将它们打印出来
6、再添加详情页的爬取以及解析,能看见真正需要的图片的url信息打印出来(这里需要注意详情页图片的url随时都是会变的,需要自己分析图片url的规律),到这里基本结束,需要的信息都解析出来呢,之后将这些数据存到MongoDB中
7、将数据存储到MongoDB中,用robo3T可视化工具查看下载出来的数据,可以看到这里只存储了图片的url,还需要将图片下载下来。
8、下载图片到本地
9、下一步,因为目前只是抓取第一个索引页,下拉索引页可以看到offset20递增,改变offset值就可以爬取街拍所有的索引页以及详情页的图片(这里有一点错误,不是按照顺序爬取,爬取一点出现错误,但是上面是对的,就是这里爬取所有索引页有一点问题)
源代码GitHub:https://github.com/15160200501/TouTiao
今日头条组图下载本地,并存入MongoDB相关推荐
- python爬今日头条组图_(python爬虫之)ajax解析爬取今日头条组图并下载
首先吐槽一波csdn配色真直男,囧 此次任务需要注意的是: 用request.get方法的时候要加cookie, 网页源代码也改动了,详情页进入后不是一个json数据包,是一个html文档. 以及其它 ...
- python爬今日头条组图_python 爬虫抓取今日头条街拍图片
1. 打开google浏览器,输入www.toutiao.com, 搜索街拍.html 2.打开开发者选项,network监看加载的xhr, 数据是ajax异步加载的,能够看到preview里面的da ...
- 今日头条飞聊下载,重名软件较多可别下错哦
一大早起来飞聊上线信息铺天盖地,但是仔细找了下似乎飞聊软件还没上线怎么回事呢?一篇由科技界36氪和界面新闻的新闻试着找了一下确实没发现飞聊的影子. 今日头条飞聊 今日头条下载地址:http://s.d ...
- 最新的今日头条美图爬取(这真是一篇很烂的博客)
接下来我们就介绍一下对今日头条的爬取: 对AJAX的爬取我也不是太熟,但是我想了以下这应该是最新的了,我也在网上搜索到不少今日头条的爬去,但是跟新过后就很难找到能顺利爬取美图的博客了,所以我把我的发现 ...
- Python-爬取今日头条美图
import requests from urllib.parse import urlencode import os from hashlib import md5 from multiproce ...
- 手动下载股票列表 存入mongodb 并更新名字
#! /usr/bin/python2 # coding=utf-8 import os import csv import pymongoglobal stocks''' mongodb 删除数据库 ...
- Python爬虫实战——今日头条图片下载
目前正在自学爬虫,在b站上看到网课都比较过时,页面情况早已改变,对于新手比较不友好,经过尝试成功爬取今日头条图片并下载. 首先是在今日头条下进行搜索:https://www.toutiao.com/s ...
- 今日头条优化实践: iOS 包大小二进制优化,一行代码减少 60 MB 下载大小
摘要 苹果对 iOS App 大小有严格限制:下载大小超限会阻碍用户在蜂窝网络下载 App ,直接影响新用户转化:可执行文件超限将导致 App 审核被拒,直接影响上架.今日头条探索实践 __TEXT ...
- Python脚本下载今日头条视频(附加Android版本辅助下载器)
一.前言 今日头条有毒,这句话不是虚的,现在资讯类app中也就大黄易和今日头条可以博取用户一点喜好了,我所说的喜好不是指内容精彩,而是评论,玩过这两个app的人都知道,看的不是新闻本生内容,而是他逗逼 ...
最新文章
- python3下载教程-Python3完全零基础入门精讲 全套视频教程
- 突发热点事件下微博高可用注册中心vintage的设计\u0026实践
- 今天我解决的sql中文乱码问题
- OpenShift 4 之通过命令创建Service Mesh环境
- Javascript:事件对象—event
- mvc 怎么把后台拼接好的div写到前台_PR:被写黑稿了怎么办?
- 操作系统课后答案第六章
- 图文介绍:Winhex的使用教程
- lower_bound 、upper_bound 、binary_search
- 简单多人聊天室——java网络编程
- php excel 输出条形码,excel如何将数字转换条形码
- 多项式求值秦九韶算法
- JVM 运行机制及其原理
- 三大运营商将重新划分4G版图
- 服务器虚拟化 魔力象限,Gartner:VMware成虚拟化魔力象限领导者
- python视频换脸下载_Faceswap拍照换脸软件电脑版(faceswap gui视频换脸)1.2官方版
- imresize 函数用法
- matplotlib的读书笔记
- 前端js实现本地模糊搜索
- 2020数字中国创新大赛 • 算法赛道冠军技术方案分享