第六部分（二） 分析Ajax爬取今日头条街拍图

分析今日头条的Ajax请求抓取网页数据，这次抓取今日头条的街拍美图，抓取完成后将每组图片分文件夹下载到本地并保存下来。

1  抓取前的分析工作
首先分析抓取逻辑，打开今日头条首页：http://www.toutiao.com/。右上角有一个搜索入口，由于要抓取街拍美图，所以输入“街拍”二字进行搜索。出现搜索结果页面。

接着打开开发者工具，查看所有的网络请求。首先打开第一个网络请求，这个请求的URL就是当前的链接  https://www.toutiao.com/search/?keyword=街拍，打开Preview选项卡查看Response Body。如果页面中的内容是根据第一个请求得到的结果渲染出来的，那末第一个请求的源代码中必然会包含页面结果中的文字。同时按下ctrl+F调出搜索框，输入“43岁李小冉”，如图4-1所示。

                                           图4-1    搜索结果

从图上可知，网页源代码中没有包含这几个字，搜索匹配结果数目为0。由此可大致判断这些内容是由Ajax加载，用JavaScript渲染出来的。切换到XHR过滤选项卡，发现有Ajax请求，看看它的结果是否包含了页面中的相关数据。

点击data字段展开，发现这里有许多条数据。点击第6条展开，有一个title字段对应的值正好是页面中第一条数据的标题。检查其他数据，也有对应的关联。如图4-2所示。

                                                 图4-2    对比结果

这里一组图就对应前面data字段中的一条数据。每条数据还有一个image_list字段，以列表形式呈现，这其中就包含了组图的所有图片列表。如图4-3所示。

                                                    图4-3      图片列表信息
因此，只需要将列表中的url字段提取出来并下载下来就行。每一组都建立一个文件夹，文件夹名称就是组图的标题。接下来就可直接用Python来模拟这个Ajax请求，然后提取出相关美图连接并下载。在这之前还需要分析一下URL的规律。回到Headers选项卡，观察下它的请求URL和Headers信息。例如下面这个URL所示：
Request URL: https://www.toutiao.com/api/search/content/?aid=24&app_name=web_search&offset=0&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&en_qc=1&cur_tab=1&from=search_tab&pd=synthesis

可以看到这是一个GET请求，请求URL参数有aid、app_name、offset、format、keyword、autoload、count、en_qc、cur_tab、from和pd。需要找出这些参数的规律才能方便的用程序构造出来。接着往下滑动页面，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。观察URL变化可知，变化的参数只有offset，其他参数都没有变化，而且第二次请求的offset值为20，第三次为40，第四次为60，...，这个规律就是offset值，也就是偏移量，从而推断出count参数就是一次性获取的数据条数。因此可用offset参数来控制数据分页。这样就可以通过接口批量获取数据，将数据解析，再将图片下载下来即可。

3  实际操作
通过前面的Ajax请求逻辑分析，下面就用程序来实现美图下载。
第一步：实现g et_page() 方法加载单个Ajax请求的结果。有变化的参数是offset，把它当作参数传递，代码如下：

import requests
from urllib.parse import urlencode
def get_page(offset):
    """请求页面的方法"""
    params = {
        'aid': '24',
        'app_name': 'web_search',
        'offset': offset,
        'format': 'json',
        'keyword': '街拍',
        'autoload': 'true',
        'count': '20',
        'en_qc': '1',
        'cur_tab': '1',
        'from':'search_tab',
        'pd': 'synthesis',
    }
    url = 'https://www.toutiao.com/api/search/content/?' + urlencode(params)
    try:
        response = requests.get(url)
        if response.status_code == 200:
            return response.json()
    except requests.ConnectionError:
        return None

这里的代码中用 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格式后返回。

第二步实现解析方法：提取每条数据的 image_detail 字段中的每一张图片链接，将图片链接和图片所属的标题一并返回，可构造生成器来实现。代码如下：

import re
def get_images(json):
    """解析页面的方法"""
    if json.get('data'):
        # data是一个字典列表，下面的for循环是在循环列表每个元素
        for item in json.get('data'):
            # 有的元素没有title字段，不需要爬取
            if not item.get('title'):
                continue
            else:
                title = item.get('title')
                images = item.get('image_list')
                large_image_url = item.get('large_image_url')
                for image in images:
                    image_list_url = image.get('url')
                    try:
                        # 有部分url匹配不成功，获取image_list中的url后半部分及large_image_url的前半部分
                        image_list_url_end = re.search('http.*/(.*)', image_list_url).group(1)
                        large_image_url_start = re.search("(http:.*/).*", large_image_url).group(1)
                    except AttributeError:
                        print(image_list_url)
                        continue
                    image_url = large_image_url_start + image_list_url_end
                    yield {
                        'image': image_url,
                        'title': title
                    }

第三步实现保存图片的方法 save_image()：该方法有一个 item 参数，item参数是由 get_images() 方法返回的一个字典。在这个方法中，首先根据item的title创建文件夹，然后请求这个链接，获取图片的二进制数据，以二进制形式写入文件。图片名称可使用其内容的MD5值以避免重复。代码如下所示：

import os
from hashlib import md5
def save_image(item):
    """保存图片：根据标题创建文件夹，根据图片内容生成MD5值作图片名称来保存图片"""
    if not os.path.exists(item.get('title')):
        os.mkdir(item.get('title'))
    try:
        response = requests.get(item.get('image'))
        if response.status_code == 200:
            file_path = '{0}/{1}.{2}'.format(item.get('title'), md5(response.content).hexdigest(), 'jpg')
            if not os.path.exists(file_path):
                with open(file_path, 'wb') as f:
                    f.write(response.content)
            else:
                print('Already Downloaded', file_path)
    except requests.ConnectionError:
        print('Failed to Save Image')

第四步：构造一个offset数组，遍历offset，提取图片链接，将将其下载即可：

from multiprocessing.pool import Pool
def main(offset):
    json = get_page(offset)
    for item in get_images(json):
        print(item)
        save_image(item)

GROUP_START = 0
GROUP_END = 20
if __name__ == '__main__':
    pool = Pool()
    groups = ([x * 20 for x in range(GROUP_START, GROUP_END)])
    pool.map(main, groups)
    pool.close()
    pool.join()

代码中的 GROUP_START 和 GROUP_END 分别是起始页数和终止页数，还利用了多线程的线程池，调用其map方法实现多线程下载。运行程序成功后，在程序代码所在的文件夹就可看到街拍图片都分文件夹保存了下来。

通过上面的实例操作知道了Ajax分析流程、Ajax分页的模拟以及图片的下载过程。