python爬取今日头条_爬取今日头条街拍图片
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。这里要注意提取出来的url虽然可以使selenium使用,但是并不是非常格式化的url,我们需要把group/换成a,拼接成一个新的url,这个url才是我们要的。(如果不这样虽然这个带group的url可以在浏览器中访问,selenium也可以但是requests是请求不到的)。
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').repalce('group/','a'), 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(我这里显示的情况是,程序执行到requests.get()会卡一会然后报错,总之请求不到html),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)。
添加:根据评论里的指出了我的url没有去掉group错误,我修改之后,requests请求还是不能请求到数据,不知为何。
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'
python爬取今日头条_爬取今日头条街拍图片相关推荐
- Python爬虫:爬取今日头条“街拍”图片(修改版)
前言 在参考<Python3网络爬虫开发实战>学习爬虫时,练习项目中使用 requests ajax 爬取今日头条的"街拍"图片,发现书上的源代码有些已经不适合现在了, ...
- 爬取今日头条街拍图片
** *爬取今日头条街拍图片 * ** # coding=utf-8 import os import re import time from multiprocessing.pool import ...
- 爬取街拍图片_如何拍摄好街拍照片
爬取街拍图片 Street photography is about documenting the day to day life of a city. It's about capturing t ...
- 我的爬虫 之 爬今日头条街拍图片
近日学习了python 爬虫方面的内容 ,决定实战--爬今日头条的街拍图片 首先先分析今日头条的请求方式,进入https://www.toutiao.com F12 搜索街拍 查看当前请求 http ...
- 利用Ajax爬取今日头条头像,街拍图片。关于崔庆才python爬虫爬取今日头条街拍内容遇到的问题的解决办法。
我也是初学爬虫,在看到崔庆才大佬的爬虫实战:爬取今日头条街拍美图时,发现有些内容过于陈旧运行程序时已经报错,网页的源代码早已不一样了.以下是我遇到的一些问题. 1.用开发者选项筛选Ajax文件时预览看 ...
- java爬取今日头条_今日头条抓取街拍图片数据集
spider1: 抓取街拍页面的所有入口链接: 1.数据查看到,街拍页面需要的数据集都在data这个集合中,而data是整个数据集字典的一个键,data这个键又包括了一个list,list中是一个个字 ...
- 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 ...
- 今日头条街拍图片爬取
其中遇到的问题和一些新知识: 1. 注意页面请求参数:(会改变) 即Query String Parameters 例: 今日头条里街拍综合的数据为 'offset': 0, 'format': 'j ...
- Scrapy 爬取今日头条街拍图片
scrapy 爬取今日头条图片保存至本地 之前用 requests 爬取过今日头条街拍的图片,当时只是爬取每篇文章的缩略图,今天尝试用 scrapy 来大规模爬取街拍详细图片. 分析页面 今日头条的内 ...
最新文章
- 多才多艺的移动式人形机器人iPal,担当起小朋友的“好家教”
- 科技部发布新一批国家新一代人工智能开放创新平台
- Jsp实现在线影院售票系统
- redis value最大值_Redis 的 maxmemory 和 dbnum 默认值都是多少?对于最大值会有限制吗?...
- optee中spinlock的实现原理详解
- java ajax搜索框提示,Javaweb-案例练习-2-给搜索框添加提示
- Tomcat : IOException while loading persisted sessions: java.io.EOFException
- 【算法竞赛学习】二手车交易价格预测-Baseline
- php 信号量 关闭,php 信号量
- 在js传递参数中含加号(+)的处理方式
- linux中sort命令实例,Linux命令之排序命令sort使用实例
- python拆分excel的sheet为单文件_pandas处理excel一个sheet拆分为多个sheet
- 骨传导技术:帮你摆脱噪音的困扰
- linux笔记8.0
- 传感器实训心得体会_传感器心得体会范文
- Siemens NX 1930中文版
- 王垠—写给清华大学的退学申请
- JavaScript 各种事件、方法、参数详解示例及常见问题等(全)
- 担任电气工程师,在软件开发方面建立成功的职业生涯
- 大脑原理计算机,三个记忆系统大脑储存记忆的原理是什么