分析Ajax请求并抓取今日头条街拍美图

　　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：