python爬取今日头条街拍美图（2020.2月新版）

2023-10-23 19:40
文章标签 python 今日 头条 新版 爬取 美图 2020.2

本文主要是介绍python爬取今日头条街拍美图（2020.2月新版），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！ 

最近再学习python爬虫，有幸看到崔庆才大大的教程，这篇博客是记录自己学习过程，也是把遇到的问题记录下来，督促自己学习。
同时借鉴了👇这篇文章，也写的很好！

https://www.jianshu.com/p/8481e34c86c2

首先分析目标网站，搜索‘街拍美图’

在这里插入图片描述
通过查找，我们发现详情页信息是再XHR里，同时页面下滑，左侧会增加URL。在这里插入图片描述
且只是url中的offset值改变，得出通过改变offset的值即可以遍历多个链接。
打开上图中data—0，我们发现详情页的名称即为‘title’的值，我们要得到title，只需解析，然后直接get_text(),就可以得到名称内容。在这里插入图片描述
同时看到‘article_url’，点击进入这个详情页查看URL,通过查看多个，得出详情页的链接即为‘article_url’的值，解析后直接get即可！在这里插入图片描述
开始正式写程序；首先获取主页面，需要注意的是，要加入headers和cookie，否则会报错，params为请求的一些参数，再浏览器的headers可以找到。（当出现返回异常时，可以多看看headers和cookie，我再写的时候有出现过返回异常，改headers后就好了）传进去的参数offset是控制爬取的页面多少，keyword是控制爬取的内容（本次是‘街拍美图’）

def get_url(offset, keyword):#获取主页面headers = {'user - agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.106 Safari/537.36','cookie': 'tt_webid=6756552095103878663; WEATHER_CITY=%E5%8C%97%E4%BA%AC; tt_webid=6756552095103878663; csrftoken=e3986e027ddb4e2f9307dbd024811241; s_v_web_id=k6n06g6v_lbexStV5_3Ntg_4wFE_B0ts_axcGWZuVpJm4; ttcid=007008aee03e463eb9caa0e440e9afba93; __tasessionId=qxl5qt72h1581735000822; tt_scid=a-NdD3V6Hzc21bo3bybzGZtDTFp2jVZ-NcUgYmlEYuwxvVqjZZCmAT0cyZUlplB696ea',}params = {'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': 158173512669,}url = "https://www.toutiao.com/api/search/content/?" + urlencode(params)try:r = requests.get(url, headers=headers)if r.status_code == 200:res = json.loads(r.text)#json.loads将json格式数据转换为字典return resexcept RequestException:print('访问错误')return None

提取详情页URL，使用yield返回生成器。因为’article_url’是在’data’中，而’data’是我们res的一个键，同时因为在获取主页面时我们返回的是字典类型（用json.loads转化过），所以我们直接get即可。

def parse_page_index(res):#提取详情页urlif res:#判断返回对象是否为空if 'data' in res.keys():for item in res.get('data'):if 'article_url' in item:yield item.get('article_url')

获取详情页，同样需要加入headers和cookie。这一步我们即可获得所有的详情页URL，到这里全部任务已经完成35%了！

def get_page_index(url):#获取详情页headers = {'cookie': 'tt_webid=6756552095103878663; WEATHER_CITY=%E5%8C%97%E4%BA%AC; tt_webid=6756552095103878663; csrftoken=e3986e027ddb4e2f9307dbd024811241; __tasessionId=fme29ihts1580901093483; s_v_web_id=k69b121k_igiqNCx4_57vq_40DG_BVQV_JdrkGEwFqmKB','user-agent': 'Mozilla/5.0'}try:res = requests.get(url, headers=headers)if res.status_code == 200:return res.textexcept RequestException:print('访问错误')return None

下面分析详情页，现在今日头像的图片部分有两种结构，一种是所有的图片都在一个框内展示（如下图），还有一直就是普通的下拉图文格式，我们分析第一种结构（我会告诉你因为崔大神只教了这个结构么！）
在这里插入图片描述
查看详情页，我们发现图片的url在‘JSON.parse’中（应该是网址改变，这里和崔大神的教程不一样）解析后，使用正则表达式提取出来即可！
在这里插入图片描述
因爬出的链接中，含有大量的多余的‘\’以及‘u002F’，使用replace将其替换成正常URL（通过打开详情页，对比地址栏的链接与爬出的链接）

def parse_detail(html, url):#解析详情页soup = BeautifulSoup(html, 'lxml')title = soup.select('title')[0].get_text()#获取详情页名称#print(title)if 'JSON.parse' in html:img = re.compile(r'gallery: JSON.parse\("(.*)"\),', re.S)#获取图片urlphoto = re.search(img, html)#print(photo.group(1))#group(1)只提取第一组if photo.group(1):data = json.loads(photo.group(1).replace('\\', ''))#print(data)if data:if "sub_images" in data.keys():sub = data.get("sub_images")#replace('u002F', '/')images = [item.get('url').replace('u002F', '/') for item in sub]for image in images:get_images(image)return {'title': title,'url': url,'images': images}

到这里可以得到所有图片的url，既可以下载这些图片，因是图片我们使用content返回二进制数据。

def get_images(url):headers = {'cookie': 'tt_webid=6756552095103878663; WEATHER_CITY=%E5%8C%97%E4%BA%AC; tt_webid=6756552095103878663; csrftoken=e3986e027ddb4e2f9307dbd024811241; __tasessionId=fme29ihts1580901093483; s_v_web_id=k69b121k_igiqNCx4_57vq_40DG_BVQV_JdrkGEwFqmKB','user-agent': 'Mozilla/5.0'}print('正在下载', url)try:res = requests.get(url, headers=headers)if res.status_code == 200:save_image(res.content)#content以二进制的格式返回数据return  Noneexcept RequestException:print('下载图片出错')return None

保存图片，使用md5防止图片重复，并命名图片

def save_image(content):file_path = '{0}/{1}.{2}'.format(os.getcwd(), md5(content).hexdigest(), 'jpg')#文件存储地址#os.path.exists()就是判断括号里的文件是否存在的意思，括号内的可以是文件路径。if not os.path.exists(file_path):with open(file_path, 'wb') as f:f.write(content)f.close()

将信息保存到MongoDB。这里需要在建一个文件，写入MongoDB数据库的一些内容

def save_to_mongo(result):if result:if db[MONGO_TABLE].insert_one(result):print('存储到MongoDB成功！', result)return Truereturn False

下面给出全部代码：
MongoDB：👇（起的文件名称是“ config.py ”）

MONGO_URL = 'localhost'#链接地址
MONGO_DB = 'toutiao'#数据库名称
MONGO_TABLE = 'toutiao'#表名GROUP_START = 1
GROUP_END = 20
KEYWORD = '街拍美图'

主代码：👇

import json
import os
import re
from hashlib import md5
from urllib.parse import urlencodeimport pymongo
import requests
from requests import RequestException
from bs4 import BeautifulSoup
from config import *
from multiprocessing import Poolclient = pymongo.MongoClient(MONGO_URL,)# 连接本地的数据库
db = client[MONGO_DB]#创建数据库：给数据库命名def get_url(offset, keyword):#获取主页面headers = {'user - agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.106 Safari/537.36','cookie': 'tt_webid=6756552095103878663; WEATHER_CITY=%E5%8C%97%E4%BA%AC; tt_webid=6756552095103878663; csrftoken=e3986e027ddb4e2f9307dbd024811241; s_v_web_id=k6n06g6v_lbexStV5_3Ntg_4wFE_B0ts_axcGWZuVpJm4; ttcid=007008aee03e463eb9caa0e440e9afba93; __tasessionId=qxl5qt72h1581735000822; tt_scid=a-NdD3V6Hzc21bo3bybzGZtDTFp2jVZ-NcUgYmlEYuwxvVqjZZCmAT0cyZUlplB696ea',}params = {'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': 158173512669,}url = "https://www.toutiao.com/api/search/content/?" + urlencode(params)try:r = requests.get(url, headers=headers)if r.status_code == 200:res = json.loads(r.text)return resexcept RequestException:print('访问错误')return Nonedef parse_page_index(res):#提取详情页urlif res:if 'data' in res.keys():for item in res.get('data'):if 'article_url' in item:yield item.get('article_url')def get_page_index(url):#获取详情页headers = {'cookie': 'tt_webid=6756552095103878663; WEATHER_CITY=%E5%8C%97%E4%BA%AC; tt_webid=6756552095103878663; csrftoken=e3986e027ddb4e2f9307dbd024811241; __tasessionId=fme29ihts1580901093483; s_v_web_id=k69b121k_igiqNCx4_57vq_40DG_BVQV_JdrkGEwFqmKB','user-agent': 'Mozilla/5.0'}try:res = requests.get(url, headers=headers)if res.status_code == 200:return res.textexcept RequestException:print('访问错误')return Nonedef parse_detail(html, url):#解析详情页soup = BeautifulSoup(html, 'lxml')title = soup.select('title')[0].get_text()#获取详情页名称#print(title)if 'JSON.parse' in html:img = re.compile(r'gallery: JSON.parse\("(.*)"\),', re.S)#获取图片urlphoto = re.search(img, html)#print(photo.group(1))if photo.group(1):data = json.loads(photo.group(1).replace('\\', ''))#print(data)if data:if "sub_images" in data.keys():sub = data.get("sub_images")# for item in sub:#     yield item.get("url").replace('u002F', '/')images = [item.get('url').replace('u002F', '/') for item in sub]for image in images:get_images(image)return {'title': title,'url': url,'images': images}def get_images(url):headers = {'cookie': 'tt_webid=6756552095103878663; WEATHER_CITY=%E5%8C%97%E4%BA%AC; tt_webid=6756552095103878663; csrftoken=e3986e027ddb4e2f9307dbd024811241; __tasessionId=fme29ihts1580901093483; s_v_web_id=k69b121k_igiqNCx4_57vq_40DG_BVQV_JdrkGEwFqmKB','user-agent': 'Mozilla/5.0'}print('正在下载', url)try:res = requests.get(url, headers=headers)if res.status_code == 200:save_image(res.content)return  None# r = res.content# file_path = "{0}/{1}.{2}".format(os.getcwd(),md5(r).hexdigest(),'jpg')# f = open(file_path, 'wb')# f.write(r)except RequestException:print('下载图片出错')return Nonedef save_to_mongo(result):if result:if db[MONGO_TABLE].insert_one(result):print('存储到MongoDB成功！', result)return Truereturn Falsedef save_image(content):file_path = '{0}/{1}.{2}'.format(os.getcwd(), 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(offset):html = get_url(offset, KEYWORD)items = parse_page_index(html)for item in items:#print(item)html1 = get_page_index(item)# parse_detail(html1)result = parse_detail(html1, item)#print(html2)save_to_mongo(result)if __name__ == "__main__":groups = [x*20 for x in range(GROUP_START, GROUP_END + 1)]pool = Pool()pool.map(main, groups)pool.close()main()

运行结果：👇
在这里插入图片描述
MongoDB结果：👇
在这里插入图片描述
爬取到的图片：👇
在这里插入图片描述
自从开始学爬虫，身体一天不如一天！

这篇关于python爬取今日头条街拍美图（2020.2月新版）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/270045。

相关文章

Python列表去重的4种核心方法与实战指南详解

Python列表去重的4种核心方法与实战指南详解

《Python列表去重的4种核心方法与实战指南详解》在Python开发中,处理列表数据时经常需要去除重复元素,本文将详细介绍4种最实用的列表去重方法,有需要的小伙伴可以根据自己的需要进行选择... 目录方法1：集合(set)去重法（最快速）方法2：顺序遍历法（保持顺序）方法3：副本删除法（原地修改）方法4：
阅读更多...
Python运行中频繁出现Restart提示的解决办法

Python运行中频繁出现Restart提示的解决办法

《Python运行中频繁出现Restart提示的解决办法》在编程的世界里,遇到各种奇怪的问题是家常便饭,但是,当你的Python程序在运行过程中频繁出现“Restart”提示时,这可能不仅仅是令人头疼... 目录问题描述代码示例无限循环递归调用内存泄漏解决方案1. 检查代码逻辑无限循环递归调用内存泄漏2.
阅读更多...
Python中判断对象是否为空的方法

Python中判断对象是否为空的方法

《Python中判断对象是否为空的方法》在Python开发中,判断对象是否为“空”是高频操作,但看似简单的需求却暗藏玄机,从None到空容器,从零值到自定义对象的“假值”状态,不同场景下的“空”需要精... 目录一、python中的“空”值体系二、精准判定方法对比三、常见误区解析四、进阶处理技巧五、性能优化
阅读更多...
使用Python构建一个Hexo博客发布工具

使用Python构建一个Hexo博客发布工具

《使用Python构建一个Hexo博客发布工具》虽然Hexo的命令行工具非常强大,但对于日常的博客撰写和发布过程,我总觉得缺少一个直观的图形界面来简化操作,下面我们就来看看如何使用Python构建一个... 目录引言Hexo博客系统简介设计需求技术选择代码实现主框架界面设计核心功能实现1. 发布文章2. 加
阅读更多...
python logging模块详解及其日志定时清理方式

python logging模块详解及其日志定时清理方式

《pythonlogging模块详解及其日志定时清理方式》：本文主要介绍pythonlogging模块详解及其日志定时清理方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录python logging模块及日志定时清理1.创建logger对象2.logging.basicCo
阅读更多...
Python如何自动生成环境依赖包requirements

Python如何自动生成环境依赖包requirements

《Python如何自动生成环境依赖包requirements》：本文主要介绍Python如何自动生成环境依赖包requirements问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑... 目录生成当前 python 环境 安装的所有依赖包1、命令2、常见问题只生成当前 项目 的所有依赖包1、
阅读更多...
如何将Python彻底卸载的三种方法

如何将Python彻底卸载的三种方法

《如何将Python彻底卸载的三种方法》通常我们在一些软件的使用上有碰壁,第一反应就是卸载重装,所以有小伙伴就问我Python怎么卸载才能彻底卸载干净,今天这篇文章,小编就来教大家如何彻底卸载Pyth... 目录软件卸载①方法：②方法：③方法：清理相关文件夹软件卸载①方法：首先，在安装python时，下
阅读更多...
python uv包管理小结

python uv包管理小结

《pythonuv包管理小结》uv是一个高性能的Python包管理工具,它不仅能够高效地处理包管理和依赖解析,还提供了对Python版本管理的支持,本文主要介绍了pythonuv包管理小结,具有一... 目录安装 uv使用 uv 管理 python 版本安装指定版本的 Python查看已安装的 Python
阅读更多...
使用Python开发一个带EPUB转换功能的Markdown编辑器

使用Python开发一个带EPUB转换功能的Markdown编辑器

《使用Python开发一个带EPUB转换功能的Markdown编辑器》Markdown因其简单易用和强大的格式支持,成为了写作者、开发者及内容创作者的首选格式,本文将通过Python开发一个Markd... 目录应用概览代码结构与核心组件1. 初始化与布局 (__init__)2. 工具栏 (setup_t
阅读更多...
Python中局部变量和全局变量举例详解

Python中局部变量和全局变量举例详解

《Python中局部变量和全局变量举例详解》：本文主要介绍如何通过一个简单的Python代码示例来解释命名空间和作用域的概念,它详细说明了内置名称、全局名称、局部名称以及它们之间的查找顺序,文中通... 目录引入例子拆解源码运行结果如下图代码解析 python3命名空间和作用域命名空间命名空间查找顺序命名空
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2