Python爬虫 | 批量爬取今日头条街拍美图

专栏作者：霖hero，在职爬虫工程师，熟悉JS逆向与分布式爬虫。喜欢钻研，热爱学习，乐于分享。公众号后台回复入群，拉你进技术群与大佬们近距离交流。

前言

大家好，我是J哥🚀

在以前的文章中我们学了Ajax数据爬取，这篇文章我们以今日头条为例，通过分析Ajax请求来抓取今日头条的街拍美图，并将图片下载到本地保存下来。准备好没，我们现在开始！

网页分析

Python爬虫 | 批量爬取今日头条街拍美图

在抓取之前，首先分析抓取的逻辑。打开今日头条的街拍美图https://so.toutiao.com/search?dvpf=pc&source=input&keyword=%E8%A1%97%E6%8B%8D，如下图：

Python爬虫 | 批量爬取今日头条街拍美图

我们点击第一个，这个请求的URL是：

Python爬虫 | 批量爬取今日头条街拍美图

随后我们打开开发者工具，切换到Network选项卡，重新刷新页面并下滑，可以发现这里出现了很多的条目，点击‘search?keyword=%’开头的条目，可以发现里面有很多图片信息的数据，其中img_small_url、img_url是图片链接，如下图：

Python爬虫 | 批量爬取今日头条街拍美图

我们只需要用Python来模拟这个Ajax请求，然后提取相关美图链接并下载下来就可以了，但是在这之前，我们还需要分析一下URL的规律。

切换回Headers选项卡，观察一下它的请求URL和Headers信息，如下图：

Python爬虫 | 批量爬取今日头条街拍美图

可以看到，这是一个GET请求，请求URL的参数有keyword、pd、dvpf、aid、page_num、search_json、rawJSON、search_id。我们需要找到这些参数的规律，这样才可以方便地用程序构造出来。

接下来，滑动页面，多加载一些新结果。在加载的同时可以发现，Network中又出现了许多Ajax请求。如下图：

Python爬虫 | 批量爬取今日头条街拍美图

观察后续链接的参数，可以发现发生变化的参数只有page_num，其他参数都没有变化，而且page_num的偏移量为1，因此我们可以用page_num参数来控制数据分页，这样一来，我们就可以通过接口批量获取数据了，然后将数据解析，将图片下载下来即可。

爬虫实战

Python爬虫 | 批量爬取今日头条街拍美图

定义一个get_page()方法，实现加载单个Ajax请求的结果。其中唯一变化的参数就是page_num，所以我们将它当作参数传递，实现代码如下：

def get_page(page_num):
    global headers
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36',
    }
    params = {
        'keyword':urllib.parse.unquote('%E8%A1%97%E6%8B%8D'),
        'pd':'atlas',
        'dvpf':'pc',
        'aid':4916,
        'page_num':page_num,
                        'search_json':'%7B%22from_search_id%22%3A%22202106100003510102121720341003A4ED%22%2C%22origin_keyword%22%3A%22%E8%A1%97%E6%8B%8D%22%2C%22image_keyword%22%3A%22%E8%A1%97%E6%8B%8D%22%7D',
        'rawJSON': 1,
        'search_id':'202106100004290101500200495C05B763'
    }
    url='https://so.toutiao.com/search?'+urlencode(params)
    try:
        response=requests.get(url,headers=headers,params=params)
        if response.status_code==200:
            return response.json()
    except requests.ConnectionError:
        return None

这里我们用urlencode()方法构造请求的GET参数，然后用requests请求这个链接，如果返回状态码为200，则调用response的json()方法将结果转为JSON格式，然后返回。

接下来，再实现一个解析方法：提取每条数据的img_url字段的图片链接，将图片链接返回，此时我们通过构造器来实现，实现代码如下：

def get_images(json):
    images=json.get('rawData').get('data')
    for image in images:
        link = image.get('img_url')
        yield link

接下来，实现一个保存图片的方法saving_images()，其中link是前面get_images()方法返回的图片链接，实现代码如下：

def saving_img(link):
    global name
    print(f'-------正在打印第{name}张图片')
    data=requests.get(link,headers=headers).content
    with open(f'image1/{name}.jpg','wb')as f:
            f.write(data)
            name+=1

最后，只需要构造一个page_num数组，遍历page_num，提取图片链接，并将其下载即可，具体代码如下：

def main(paga_num):
    json=get_page(paga_num)
    for link in get_images(json):
        saving_img(link)
if __name__ == '__main__':
    for i in range(0,2):
        main(i)

这样整个程序就完成了，运行之后可以发现街拍美图保存下载下来了，这里我们只遍历了两个page_num，爬取了80张图片，如下图：

Python爬虫 | 批量爬取今日头条街拍美图