女生勿扰，只适合男孩子的python爬虫，里面东西不给钱统统白送。

最新推荐文章于 2025-02-17 16:15:30 发布

原创

最新推荐文章于 2025-02-17 16:15:30 发布 · 置顶 · 3.7w 阅读

320

1.6k ·

CC 4.0 BY-SA版权

文章标签：

#python #ajax #爬虫

本文介绍了如何使用Python爬虫抓取今日头条妹子写真的Ajax接口数据，通过进程池和简单解析，获取文章标题、网址，并下载图片。详细讲解了Ajax数据爬取的识别和处理，以及遇到的验证码、验证条等问题的解决办法。

说真的，花了几天的时间来搞一个别人已经干过的项目，不知道是不是不值得，但是后面我自己上手做了之后，我才发现，这必须值得，崔大的书是2018年的，而现在网络的更新速度太快了，书本上的接口知识点都变了，废了老多时间才弄懂这些，不过我觉得也值，所以把代码加强了一下，实现了我的功能，下面做个简单的分享。

都2020年了还没爬过今日头条，你做爬虫是不是显得OUT了？但是没事，虽然现在的接口都变化了，那我就讲下2020年怎么搞今日头条妹子写真，这是一个改进的项目，里面参加了我自己的很多想法，比如有些很难懂的，我自己用简单的方式去实现了它，个人感觉还是实现的不错的，各位看官可以看看。

在这里插入图片描述

这个妹子觉得好看的评论区扣好看，直接教你怎么搞到手！

项目介绍：

利用简单的进程池和Ajax数据爬取技术对今日头条关键词页面进行分析和处理，然后获取每个页面的链接，从而获得所有图片的链接，然后打包下载，
整个步骤我都会用小模块代码将其展示，实现不了的过来砍我! 就是这么的负责我跟你们说。

项目技术:

简单的进程池:

这里对进程的了解我也不是很多，简单的说下项目需要的函数：

from multiprocessing import Pool  # 调用函数库
p = Pool(4)  #  构造一个进程池，单位为4
p.close()  # 关闭进程
p.join()   # 开启进程

对Pool对象调用join()方法会等待所有子进程执行完毕，调用join()之前必须先调用close()，调用close()之后就不能继续添加新的Process了。

更多进程的知识点，还请各位大佬移步:廖老师的课堂

Ajax数据爬取:

网址的很多信息都不会直接全部出现在源代码里面，比如你刷网页，那些新刷出的网页就是一个个的通过ajax接口加载出来的，这是一种异步加载方式,原始的页面不会包含很多数据，数据都放在一个个接口里面，只有我们请求这个ajax接口，然后服务器后台收到这个接口信息，才会把数据返回，然后JavaScript分析这个数据，在渲染到浏览器页面上，这就是我们看到的模式,
现在越来越多的网页都是采用这个异步加载的方式，爬虫就现得没那么容易了，这个概念的讲的也拗口，我们直接开始实战吧！

项目作业:

最终作业效果图:

在这里插入图片描述

分析ajax接口获得数据：

数据包括：

每个页面的标题
每个页面的网址

目标网址: 今日头条关键词妹子

怎么知道他是不是ajax接口，主要有三点：

第一点

注意我这几个箭头，只要你在这里·查找·里面找不到与文章对应的文字还是链接什么的，那就可能是。
在这里插入图片描述

第二点

在这个XHR里面找到箭头的网址，点击，查看预览，这个时候你随意打开里面的东西，就能发现很多与文章相同的点
在这里插入图片描述

第三点

还是这张图，你可以看到X-requested里面的接口是XMLHttpRequets
如果三点同时满足，那他就是Ajax接口，然后异步加载出来的数据。

在这里插入图片描述

获得数据

在第二点的那张图我们可以看到有0，1，2，3，4，之类的，打开你会发现，都在这里面，图中我用箭头标红了，有标题和页面链接，只要获得这个页面链接，那么就很简单了。

在这里插入图片描述

编写程序：

获得json文件:

首先请求最开始的页面: https://www.toutiao.com/search/?keyword=%E7%BE%8E%E5%A5%B3
但是我们不能这样直接把页面交给requests库直接干，因为这是一个ajax接口，如果不加入参数，很可能让你输入什么验证码还是拉动验证条什么，反正就是很麻烦，那我们就加入参数，具体措施如下：

def get_page(offset):    # offset偏移，因为每个ajax都是加载固定的页面数
                     # 这里是20，在第三点图上可以看得到
    global headers  # 全局变量  我后面还要用
    headers = {
   
   
        'cookie': 'tt_webid=6821518909792273933; WEATHER_CITY=%E5%8C%97%E4%BA%AC; SLARDAR_WEB_ID=b4a776dd-f454-43c6-81cd-bd37cb5fd0ec; tt_webid=6821518909792273933; csrftoken=4a2a6afcc9de4484af87a2ff8cba0638; ttcid=8732e6def0484fae975c136222a44f4932; s_v_web_id=verify_k9o5qf2w_T0dyn2r8_X6CE_4egN_9OwH_CCxYltDKYSQj; __tasessionId=oxyt6axwv1588341559186; tt_scid=VF6tWUudJvebIzhQ.fYRgRk.JHpeP88S02weA943O6b6-7o36CstImgKj1M3tT3mab1b',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36 Edg/81.0.416.68',
        'referer': 'https://www.toutiao.com/search/?keyword=%E7%BE%8E%E5%A5%B3',
        'x-requested-with': 'XMLHttpRequest'
    }  # 头信息 加入参数
    params = {
   
   
        'aid': ' 24',
        'app_name': ' web_search',
        'offset': offset,
        'format': ' json',
        'keyword': ' 美女',
        'autoload': ' true',
        'count': ' 20',
        'en_qc': ' 1',
        'cur_tab': ' 1',
        'from': ' search_tab',
        'pd': ' synthesis',
        'timestamp': int(time.time())
    }
    url = 'https://www.toutiao.com/api/search/content/?' + urlencode(params)  # 构造url， 使用到了urlencode() 函数 
    url = url.replace('=+', '=')  # 这里必须注意现在的网址根本不一样
    # print(url)          
    try:
        r = requests.get(url, headers=headers, params=params)
        r.content.decode('utf-8')
        if r.status_code == 200:
            return r.json()  # 返回json格式 因为全是字典类型
    except requests.ConnectionError as e:
        print(e)