python爬虫(2)- 爬取今日头条街拍美图

2024-02-06 06:59

本文主要是介绍python爬虫(2)- 爬取今日头条街拍美图,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!

前言

有时候用requests抓取页面数据时,可能会和我们想要的不一样,也就是不会出现我们想要的数据,浏览器中可以看到,但是requests的结果没有这些数据,这是为什么呢?因为requests得到的是原始的文档,而真正的网页是经过JavaScript渲染得到的,这些数据可能是通过Ajax加载的,也可能是经过JavaScript加密的。
对于Ajax加载,其实是一种异步加载方式,原始页面加载完成后,网页会向服务器请求获取数据,也就是一个Ajax请求,之后再显示在页面上。遇到这种网页就需要分析网页的Ajax请求后的数据。

使用工具

python3.7(python3以上都可以)
pycharm IDE (笔者习惯使用pycharm,也可以使用其他的)
URL: https://www.toutiao.com/search/?keyword=街拍美图
json、requests库

知识准备

什么是Ajax请求

Ajax全称为Asynchronous JavaScript and XML,即异步的JavaScript和XML,如上所言,Ajax请求就是在网页加载完毕后再向服务器请求的数据,服务器会返回一个或者多个URL,里边携带这些数据,这些数据通常以JSON格式存在(后边会讲什么是JSON),通俗点讲,有时候网页会有下滑之类的选项,本来数据不会显示,鼠标下滑后就会出现新的数据而且不会刷新页面,这就是通过Ajax请求后显示的数据。

什么是JSON

json是一种数据存储格式,他以对象和数组的形式存在,所以很方便的调用

重点来了

想抓网页数据,想看看数据在哪,怎么定位,使用requests库对该网页的发送请求,但是发现结果没有想要的数据

import requestsurl = 'https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D%E7%BE%8E%E5%9B%BE'
header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) ''AppleWebKit/537.36 (KHTML, like Gecko) ''Chrome/69.0.3486.0 Safari/537.36'}response = requests.get(url=url, headers=header)print(response.text)

于是我们想到了可能是Ajax请求,这里我用的Chrome查看的Ajax请求,如下
在这里插入图片描述
查看一下这些URL内的数据,可以看到,确实是存在我们想要的这些数据的
在这里插入图片描述
然后我们对这些数据逐一查看,没错了,就是这里,数据就存在这些URL里,通过观察这些URL,
https://www.toutiao.com/api/search/content/?aid=24&app_name=web_search&offset=40&format=json&keyword=街拍美图&autoload=true&count=20&en_qc=1&cur_tab=1&from=search_tab&pd=synthesis&timestamp=1554034911376
https://www.toutiao.com/api/search/content/?aid=24&app_name=web_search&offset=20&format=json&keyword=街拍美图&autoload=true&count=20&en_qc=1&cur_tab=1&from=search_tab&pd=synthesis&timestamp=1554034847622
不一样的地方只有两处,offset和timestamp,其中offset是有规律的增长,每次20,而timestamp是13位时间戳,用代码也可以获取到,接下来就好说了,找出存放图片的位置,然后,,,,下载!!!!!!

部分代码如下:

offset = 0
# 构造第一个URL
url = 'https://www.toutiao.com/api/search/content/?aid=24&app_name=web_search&offset={}&format=json&keyword=%E8%A1%97' \'%E6%8B%8D%E7%BE%8E%E5%9B%BE&autoload=true&count=20&en_qc=1&cur_tab=1&from=search_tab&pd=synth' \'esis&timestamp={}'.format(offset, int(round(time.time() * 1000)))
# int(round(time.time() * 1000)) 获取13位时间戳# 保存图片
for i in data:try:info = {'title': '', 'pic': []}  # 数据信息字典# 数据写成字典info['title'] = i['title']for k in i['image_list']:info['pic'].append(k)# 创建标题文件夹,首先判断存不存在if not os.path.exists(path + '\picture\{}'.format(info['title'])):os.mkdir(path + '\picture\{}'.format(info['title']))# 图片路径pic_file = path + '\picture\{}'.format(info['title'])# 下载图片for j in info['pic']:# print(j['url'])pic_2 = requests.get(j['url'])# 图片名字设为md5值,不会重复pic_path = path + '\picture\{}'.format(info['title']) + '\{}'.format(md5(pic_2.content).hexdigest()) + '.jpg'print(pic_path)if not os.path.exists(pic_path):with open(pic_path, 'wb') as f:f.write(pic_2.content)print(info['title'], 'is finished!')except:pass

结果如下:
在这里插入图片描述
在这里插入图片描述
过程写的很粗略,因为细节很多,源码放在GitHub上了,https://github.com/maotai1015/toutiao_jiepai

这篇关于python爬虫(2)- 爬取今日头条街拍美图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/683501

相关文章

Python实现终端清屏的几种方式详解

《Python实现终端清屏的几种方式详解》在使用Python进行终端交互式编程时,我们经常需要清空当前终端屏幕的内容,本文为大家整理了几种常见的实现方法,有需要的小伙伴可以参考下... 目录方法一:使用 `os` 模块调用系统命令方法二:使用 `subprocess` 模块执行命令方法三:打印多个换行符模拟

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

基于Python开发一个图像水印批量添加工具

《基于Python开发一个图像水印批量添加工具》在当今数字化内容爆炸式增长的时代,图像版权保护已成为创作者和企业的核心需求,本方案将详细介绍一个基于PythonPIL库的工业级图像水印解决方案,有需要... 目录一、系统架构设计1.1 整体处理流程1.2 类结构设计(扩展版本)二、核心算法深入解析2.1 自

从入门到进阶讲解Python自动化Playwright实战指南

《从入门到进阶讲解Python自动化Playwright实战指南》Playwright是针对Python语言的纯自动化工具,它可以通过单个API自动执行Chromium,Firefox和WebKit... 目录Playwright 简介核心优势安装步骤观点与案例结合Playwright 核心功能从零开始学习

Python 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典

Python自动化批量重命名与整理文件系统

《Python自动化批量重命名与整理文件系统》这篇文章主要为大家详细介绍了如何使用Python实现一个强大的文件批量重命名与整理工具,帮助开发者自动化这一繁琐过程,有需要的小伙伴可以了解下... 目录简介环境准备项目功能概述代码详细解析1. 导入必要的库2. 配置参数设置3. 创建日志系统4. 安全文件名处

使用Python构建一个高效的日志处理系统

《使用Python构建一个高效的日志处理系统》这篇文章主要为大家详细讲解了如何使用Python开发一个专业的日志分析工具,能够自动化处理、分析和可视化各类日志文件,大幅提升运维效率,需要的可以了解下... 目录环境准备工具功能概述完整代码实现代码深度解析1. 类设计与初始化2. 日志解析核心逻辑3. 文件处

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法

使用Python删除Excel中的行列和单元格示例详解

《使用Python删除Excel中的行列和单元格示例详解》在处理Excel数据时,删除不需要的行、列或单元格是一项常见且必要的操作,本文将使用Python脚本实现对Excel表格的高效自动化处理,感兴... 目录开发环境准备使用 python 删除 Excphpel 表格中的行删除特定行删除空白行删除含指定

Python通用唯一标识符模块uuid使用案例详解

《Python通用唯一标识符模块uuid使用案例详解》Pythonuuid模块用于生成128位全局唯一标识符,支持UUID1-5版本,适用于分布式系统、数据库主键等场景,需注意隐私、碰撞概率及存储优... 目录简介核心功能1. UUID版本2. UUID属性3. 命名空间使用场景1. 生成唯一标识符2. 数