本文介绍了一种从今日头条网站爬取动态加载内容的方法，详细解释了如何通过解析AJAX请求来获取头条新闻的链接、标题及图片信息，并将其存储至MongoDB数据库。
通常我们从网页上爬取内容时，都是HTML代码，内容都已经写好了，直接从页面获取想要的信息即可，但是有的网页是通过ajax获取的数据，将ajax获取的数据通过json格式接受，然后展示在页面上的，也就是说，当我们打开一个页面时，首先请求的是他的html，然后HTML里面通过ajax获取后端数据，将数据以json格式展示在页面上。而近日头条就是这样。下面我们来看看。
我们打开链接：https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D，我们发现下面图片的链接和我们粘贴复制过来的地址不一样，说明最终请求的数据通过了ajax请求，数据格式发生了改变。我们查看网页源码，发现页面中没有关于我们在头条中看到的信息。
我们使用开发者选项F12，查看网页元素，发现请求头header中url与我们上面的连接不一样，增加了很多信息
我们查看请求的参数，发现有很多参数，这就是通过ajax真正访问的数据连接，我们需要的就是将https://www.toutiao.com/search_content/? + 加上下面的各种参数，就能查看到真正的数据源，
下面是请求网页源数据的代码：
#请求网页具体信息的函数
def get_page_index(offset,keyword):
data={
'offset': offset,
'format': 'json',
'keyword': keyword,
'autoload': 'true',
'count': '20',
'cur_tab':3,
'from': 'search_tab'
}
url='https://www.toutiao.com/search_content/?'+urlencode(data)
try:
response = requests.get(url)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
接下来应该解析网页中的数据：我们通过上面的请求方式获得的就是通过ajax请求返回的json数据，这些数据中我们需要每一条头条的链接，下面是解析函数：
def parse_page_index(html):
data = json.loads(html)#将获取的ajax请求转换为json类型的数据
if data and 'data' in data.keys():
for item in data.get('data'):
yield item.get('article_url')#从json数据中获取名为artile_url的数据
接下来我们需要根据上面获得url请求每一条头条的内容：
def get_page_datail(url):
headers = {
'User-Agent': 'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)APPleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'
}
try:
response = requests.get(url,headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestException:
print('出现错误')
return None
注意：这里我们添加了请求头，添加请求头的原因是有的网页防止python爬取数据，我们可以通过伪代理或者添加header的方式来避免。
我们打开头条中的一条新闻，查看网页源代码，发现同样的我们看不到这条消息的数据，这些数据都包含在ajax请求返回的json数据中，我们需要从这些数据中提取
我们需要从网页中解析，下面是代码：
def pase_page_detail(html,url):
soup=BeautifulSoup(html,'lxml')#使用beautifulsoup解析库来解析网页
title = soup.select('title')[0].get_text()#直接可以通过标签名来获取头条的名称
print(title)
images_pattern = re.compile('BASE_DATA.galleryInfo.*?gallery: JSON.parse\("(.*?)"\),',re.S)#这里我们使用正则表达式获取我们想要图片的信息
result = re.search(images_pattern,html)
if not result is None:#有的网页中不含有符合正则表达式的内容，我们直接将之过滤
data=json.loads(result.group(1).replace('\\',''))#将\\转义替换为空字符，同时将图片的信息转为json格式
if data and 'sub_images'in data.keys():#判断数据不为空并且里面含有图片的信息
sub_images=data.get('sub_images')#从json数据中获取名为sub_images的内容
images=[item.get('url') for item in sub_images]#有的新闻中含有多张图片，我们将图片的链接存在数组中
for image in images:
get_save_image(image)#请求图片的链接
return{
'title':title,
'url':url,
'image':images
}#将我们得到的数据以数组格式返回，需要标题，url,还有图片链接
接下来我们需要将这些数据存放到MongoDB数据库，首先定义几个静态变量，新建一个config.py的python文件
MONGO_URL='localhost'#数据库的ip就是localhost MONGO_DB='toutiao'#存放的数据库名称 MONGO_TABLE='toutiao'#存放的表名称
在写代码的python文件中定义数据库：
client = pymongo.MongoClient(MONGO_URL,connect=False) db = client[MONGO_DB]
下面是存放到MongoDB的函数：
def save_to_mongo(result):
if db[MONGO_TABLE].insert(result):
print('存储到数据库成功',result)
return True
return False
我们还有将图片保存在本地的函数，这里我直接上全部代码：
import json
import os
import re
from hashlib import md5
from multiprocessing import Pool
from urllib.parse import urlencode
import pymongo
from config import *
client = pymongo.MongoClient(MONGO_URL,connect=False)
db = client[MONGO_DB]
from bs4 import BeautifulSoup
from requests.exceptions import RequestException
import requests
#请求网页具体信息的函数
def get_page_index(offset,keyword):
data={
'offset': offset,
'format': 'json',
'keyword': keyword,
'autoload': 'true',
'count': '20',
'cur_tab':3,
'from': 'search_tab'
}
url='https://www.toutiao.com/search_content/?'+urlencode(data)
try:
response = requests.get(url)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
def parse_page_index(html):
data = json.loads(html)#将获取的ajax请求转换为json类型的数据
if data and 'data' in data.keys():
for item in data.get('data'):
yield item.get('article_url')#从json数据中获取名为artile_url的数据
def get_page_datail(url):
headers = {
'User-Agent': 'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)APPleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'
}
try:
response = requests.get(url,headers=headers)
if response.status_code == 200:
return response.text
return None
except RequestException:
print('出现错误')
return None
def pase_page_detail(html,url):
soup=BeautifulSoup(html,'lxml')#使用beautifulsoup解析库来解析网页
title = soup.select('title')[0].get_text()#直接可以通过标签名来获取头条的名称
print(title)
images_pattern = re.compile('BASE_DATA.galleryInfo.*?gallery: JSON.parse\("(.*?)"\),',re.S)#这里我们使用正则表达式获取我们想要图片的信息
result = re.search(images_pattern,html)
if not result is None:#有的网页中不含有符合正则表达式的内容，我们直接将之过滤
data=json.loads(result.group(1).replace('\\',''))#将\\转义替换为空字符，同时将图片的信息转为json格式
if data and 'sub_images'in data.keys():#判断数据不为空并且里面含有图片的信息
sub_images=data.get('sub_images')#从json数据中获取名为sub_images的内容
images=[item.get('url') for item in sub_images]#有的新闻中含有多张图片，我们将图片的链接存在数组中
for image in images:
get_save_image(image)#请求图片的链接
return{
'title':title,
'url':url,
'image':images
}#将我们得到的数据以数组格式返回，需要标题，url,还有图片链接
def save_to_mongo(result):
if db[MONGO_TABLE].insert(result):
print('存储到数据库成功',result)
return True
return False
def get_save_image(url):
headers = {
'User-Agent': 'Mozilla/5.0(Macintosh;Intel Mac OS X 10_11_4)APPleWebKit/537.36(KHTML,like Gecko)Chrome/52.0.2743.116 Safari/537.36'
}
try:
response = requests.get(url, headers=headers)
if response.status_code == 200:
save_image(response.content)
return None
except RequestException:
print('请求图片界面错误')
return None
def save_image(content):
file_path='{0}/{1}.{2}'.format(os.getcwd(),md5(content).hexdigest(),'jpg')
if not os._exists(file_path):
with open(file_path,'wb')as f:
f.write(content)
f.close()
def main(offset):
html=get_page_index(offset,'街拍')
for url in parse_page_index(html):
if url:
html1=get_page_datail(url)
if html:
result=pase_page_detail(html1,url)
if not result is None:
save_to_mongo(result)
if __name__ == '__main__':
groups = [x*2 for x in range(GROUP_START,GROUP_END+1)]
pool = Pool()
pool.map(main,groups)
下面就是在MongoDB中的信息：
扫一扫
1166
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
