爬取今日头条Ajax请求

网址：https://www.toutiao.com/

搜索头条

可以得到这个网址：

https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D

开发者工具查看：

我们在搜索中并没有发现上面的文字，那么我们可以初步判定，这个由Ajax加载，然后渲染出来的。此时切换到xhr过滤，可以看到确实是ajax请求。

观察请求的特点，发现只有offset是改变的，而且一次加20,。

我们可以用它来控制数据分页，然后把图片下载下来。代码如下：

import requests
import os
from urllib.parse import urlencode
from hashlib import md5
from multiprocessing.pool import Pool
from requests import codes
def get_page(offset):
 params = {
 "offset":offset,
 "format":"json",
 "keyword":"街拍",
 "autoload":"true",
 "count":"20",
 "cur_tab":"1",
 "from":"search_tab"
 }
 url = 'https://www.toutiao.com/search_content/?'+urlencode(params)
 try:
 response = requests.get(url)
 if response.status_code == 200:
 # print(url)
 return response.json()
 except requests.ConnectionError:
 return None
# get_page(0)
def get_images(json):
 if json.get('data'):
 for item in json.get('data'):
 if item.get('cell_type') is not None:
 continue
 title = item.get('title')
 images = item.get('image_list')
 for image in images:
 yield {
 'title':title,
 'image':'https:' + image.get('url'),
 }
def save_image(item):
 #os.path.sep 路径分隔符‘//'
 img_path = 'img' + os.path.sep + item.get('title')
 if not os.path.exists(img_path):
 os.makedirs(img_path)
 try:
 resp = requests.get(item.get('image'))
 # print(type(resp))
 if codes.ok == resp.status_code:
 file_path = img_path + os.path.sep + '{file_name}.{file_suffix}'.format(
 file_name=md5(resp.content).hexdigest(),#md5是一种加密算法获取图片的二进制数据，以二进制形式写入文件
 file_suffix='jpg')
 if not os.path.exists(file_path):
 with open(file_path,'wb')as f:
 f.write(resp.content)
 print('Downladed image path is %s' % file_path)
 else:
 print('Already Downloaded',file_path)
 except requests.ConnectionError:
 print('Failed to Save Image,item %s' % item)
def main(offset):
 json = get_page(offset)
 for item in get_images(json):
 print(item)
 save_image(item)
GROUP = 0
GROUP_END = 2
if __name__ == '__main__':
 pool = Pool()
 groups = ([x*20 for x in range(GROUP,GROUP_END)])
 pool.map(main,groups) #将groups一个个调出来传给main函数
 pool.close()
 pool.join() #保证子进程结束后再向下执行 pool.join(1) 等待一秒

总结