呐，这是一篇福利教程.为什么这么说呢？我们要爬取的内容是美图网站(嘿嘿，老司机都懂的)
废话不多说，开始今天的表演。
这个图集网站不要问我怎么来的，绝对不是我刻意找的。
在这里还是要推荐下我自己建的Python开发学习群:696541369，群里都是学Python开发的，如果你正在学习Python ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有Python软件开发相关的），包括我自己整理的一份2018最新的Python进阶资料和高级开发教程，欢迎进阶中和进想深入Python的小伙伴
我们今天的任务就是 将这些图集保存下来。
首先我们需要获取到所有的列表，我们往下拉动滚动条,拉到底,会继续自动加载内容,我们通过浏览器的NetWork可以发现请求的数据包
我们来分析一下这个数据包
URL：https://www.toutiao.com/search_content/?offset=0&format=json&keyword=%E6%B8%85%E7%BA%AF%E7%BE%8E%E5%A5%B3&autoload=true&count=20&cur_tab=3&from=gallery
通过url我们可以知道几个重要的参数
offset 偏移量count 数量cur_tab 当前分类
这里很多朋友可能对偏移量不太了解,这里我用sql语句表示一下,如果了解sql的朋友 肯定就知道了
mysql> SELECT * FROM art LIMIT offset , countmysql> SELECT * FROM table LIMIT 5,10; // 检索记录行 6-15mysql> SELECT * FROM table LIMIT 95,1; // 检索记录行 96
这里我每次读取一条,对一条进行操作.
URL：https://www.toutiao.com/search_content/?offset=1&format=json&keyword=%E6%B8%85%E7%BA%AF%E7%BE%8E%E5%A5%B3&autoload=true&count=1&cur_tab=3&from=gallery
每次对offset 进行自增即可了
我们点击进去 看看数据的结构。
我们需要获取到该图集的链接。
进入这篇图集,在NetWork中并没有发现图集有关的请求接口,可能也是混排的。
我们可以查看页面的源码
原来真的是混排的写法.看了一下这里用到vue.具体怎么实现的我们不去探讨了,我们只需要取出数据即可。
那如何取出呢? 提供两种方法,一种就是正则,一种就是自己写一个取文本的函数。这里我用第二种作为演示,下面是取文本的函数。
def txt_wrap_by(start_str, end, html): start = html.find(start_str) if start >= 0: start += len(start_str) end = html.find(end, start) if end >= 0: return html[start:end].strip()
我们取出 JSON.parse("") 中的数据
观察数据,可以发现 我们取出 url 就可以了,这里的数据是json但是被转义了,我们就通过正则取出吧
正则的语法如图上,最后我也会放出所有代码滴,大家放心。
取到了uri 我们只要在前面拼上 http://p3.pstatp.com/ 即可。
然后保存为图片即可~
上面说的都是思路,最后放出代码~
#coding:utf-8import requests,os,json,re,uuid# 主函数def main(): foreach_art_list()def foreach_art_list(): # 判断目录下是否存在jilv.txt文件 如果存在则读取里面的数值 if os.path.exists('./jilv.txt'): f = open('./jilv.txt') n = f.read() n = int(n) f.close() else: n = 1 while True: url = 'http://www.toutiao.com/search_content/?offset=' + str(n) + '&format=json&keyword=%E6%B8%85%E7%BA%AF%E7%BE%8E%E5%A5%B3&autoload=true&count=1&cur_tab=3&from=gallery' re = requests.get(url) data = re.json()['data'] if not data: break # 运行图片下载函数 download_pic(data[0]['article_url'],n) n = n+1 # 将n写入文件 防止程序运行出错 可以继续运行 with open('./jilv.txt', 'w') as f: f.write(str(n))def download_pic(url,n): download_pic_url = 'http://p3.pstatp.com/' # 这里必须带上协议头,否则会请求失败 header = { 'user-agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36' } res = requests.get(url,headers = header) content = res.text img_list_json = txt_wrap_by('gallery: JSON.parse("','"),',content) # 正则获取所有的uri img_list = re.findall(r'uri\":\"(.*?)\"',img_list_json) #判断是否有此目录 if 'img' not in os.listdir('.'): os.mkdir('./img') if str(n) not in os.listdir('./img'): os.mkdir('./img/'+str(n)) for v in img_list: img_path = download_pic_url + v img_path = img_path.replace("\", "") # 读取图片 atlas = requests.get(img_path).content # 保存图片 with open( './img/' + str(n) + '/' + str(uuid.uuid1()) +'.jpg', 'wb') as f: # 把图片写入文件内 f.write(atlas)# 取出两个文本之间的内容def txt_wrap_by(start_str, end, html): start = html.find(start_str) if start >= 0: start += len(start_str) end = html.find(end, start) if end >= 0: return html[start:end].strip()# 运行程序main()
最后 展示一下 运行结果：
这个程序还有许多不完善的地方,我会在之后教程加入 redis 和 多线程 的写法,让它成为最快的爬虫~
敬请期待~ 今天就到这里了。嘿嘿~ 看我的美图去了