街拍爬虫

最近要好好学习爬虫了,于是先找了个图片爬虫练练手,本篇文章参考资料为崔庆才 的python3 网络爬虫实战,

但是今日头条最近把imagelist改了,所以废了一段功夫。发现头条的人把高清图片都藏在一个小角落里,我们要善用crif+f 来找到图片地址。方法都是大同小异。只不过发现json 比我们之前用的html方式提取信息要方便多了。最后提醒善用正则表达式呀!

废话不多直接上代码。

import requests
import re,json,os
from urllib.parse import urlencode
from bs4 import BeautifulSoup
from requests.exceptions import RequestException
import pymongo
from hashlib import md5
from multiprocessing import Pool

def get_page_index(offset):
    params ={
        'offset':offset,
        'format':'json',
        'keyword':'街拍',
        'autoload': 'true',
        'count': '20',
        'cur_tab': '1',
        'from': 'search_tab',
        'aid':'24'
    }
    try:
        url = 'https://www.toutiao.com/api/search/content/?'+urlencode(params)
        response = requests.get(url)
        if response.status_code== 200:
            return response.text
        return print("空")
    except RequestException:
        print('请求失败')
        return  None

def parse_page_index(html):
    data = json.loads(html)
    if data and 'data' in data.keys():
        for item in data.get('data'):
            yield item.get('article_url')
def get_page_detail(url):
    try:
        headers ={
            'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.109 Safari/537.36',

        }
        response = requests.get(url,headers=headers)
        if response.status_code ==200:
            return response.text
        return None
    except RequestException:
        print("详情页请求失败!")
        return None

def parse_page_detail(html):
    soup = BeautifulSoup(html,'lxml')
    title = soup.select( 'title')[0].get_text()
    #得到图片的 地址
    pattern = re.compile('.*?gallery: JSON.parse\("(.*?)\"\)',re.S)
    res =re.search(pattern,html)
    if res:
        data = json.loads(res.group(1).replace('\\',''))
        if data and 'sub_images' in data.keys():
            sub_images = data.get('sub_images')
            # 提取图片
            images = [item.get('url') for item in sub_images]
            for img in images:
                down_load_img(title,img)

        # 保存图片到本地
def save_image(title,result):
    drectory_path = '{0}\{1}'.format(os.getcwd(), str(title))
    file_path = '{0}\{1}{2}'.format(drectory_path,md5(result).hexdigest(),'.jpg')
    if not os.path.exists(file_path):
        if not os.path.exists(drectory_path):
            os.mkdir(drectory_path)
        with open(file_path, 'wb') as f:
            f.write(result)
def down_load_img(title,url):
    try:
        print("正在下载.....")
        r = requests.get(url)
        if r.status_code ==200:
            save_image(title,r.content)
    except:
        print("请求图片失败!")

def main(offset):
    html = get_page_index(offset)
    #print('########')
    for url in parse_page_index(html):
        html = get_page_detail(url)
        if html:
            parse_page_detail(html)

if __name__=='__main__':
    pool = Pool()
    group = ([x*20 for x in range(1,10)])
    pool.map(main,group)
    pool.close()
    pool.join()










上一篇: 关于大数据精准营销中搜狗用户画像挖掘比赛的一些感悟(看第一名代码有感)
下一篇: tensorflow-gpu ImportError: DLL load failed: 找不到指定的模块。解决办法
PythonstartL
博客等级 码龄9年 31粉丝 16原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值