今天我们来爬取今日头条图集，老司机以街拍为例。
运行平台： Windows
Python版本： Python3.6
IDE： Sublime Text
其他工具： Chrome浏览器
1、网页分析
从打开今日头条首页，搜索“街拍”，下面有四个标签页“综合”、“视频”、“图集”和“用户”，我们依次点击几个标签，页面虽然变化了，但是地址栏的网址并没有变化，说明网页内容是动态加载的。
按“F12”调出Developer Tools，并刷新页面，接下来分析Developer Tools：
①：点击Network
②：选择XHR
③：找以“?offset=“开头的一项并点击，右侧出现详情
④：点击右侧“Header”标签页
⑤：看到请求方式和请求地址
⑥：此处为请求的参数
接下来点击Preview标签页查看返回的数据：
返回数据格式为json，展开“data”字段，并展开第一项，查找“title”，可以看到和网页第一个图集标题一致，说明找对地方了。
继续分析，“data”第一项里有一个“image_detail”字段，展开可以看到6项，并且每一项都有一个url，一看就是图片网址，不知是不是我们要找的，将该url复制到浏览器打开确实和第一张缩略图一样，那么这6个是不是该图集中所有的图像呢？
点击网页第一个图集，可以看到确实只有6张图片，而且与返回json数据中的图片一致。
到这里分析完了吗？我们看一下网页中除了图片，文字和相关推荐占了那么多内容，图片显得有点小，我们在图片上右击选择“在新标签页中打开图片”，注意看地址栏：
发现其中奥秘了吗？图片地址“large”变成了“origin”，将两个图片分别保存，比较一下大小，origin比large大很多，这才是我们需要的，至此，网页分析全部完成，接下来开始写代码。
2、代码
采用requests库进行抓取，由于前面分析已经很详细，代码就不分开讲解，请看注释内容
#-*- coding: utf-8 -*-
import os
import re
import json
import requests
from urllib.parse import urlencode
def get_one_page(offset, keyword):
'''
获取网页html内容并返回
'''
paras = {
'offset': offset, # 搜索结果项开始的位置
'format': 'json', # 返回的数据格式
'keyword': keyword, # 搜索的关键字
'autoload': 'true', # 自动加载
'count': 20, # 每次加载结果的项目数
'cur_tab': 3, # 当前的tab页索引，3为“图集”
'from': 'gallery' # 来源，“图集”
}
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
url = 'https://www.toutiao.com/search_content/?' + urlencode(paras)
try:
# 获取网页内容，返回json格式数据
response = requests.get(url, headers=headers)
# 通过状态码判断是否获取成功
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
def parse_one_page(html):
'''
解析出组图网址,并将网页中所有图集的标题及图片地址返回
'''
urls = []
data = json.loads(html)
if data and 'data' in data.keys():
for item in data.get('data'):
page_urls = []
title = item.get('title')
image_detail = item.get('image_detail')
for i in range(len(image_detail)):
# 获取large图片地址
url = image_detail[i]['url']
# 替换URL获取高清原图
url = url.replace('large', 'origin')
page_urls.append(url)
urls.append({'title': title,'url_list': page_urls})
return urls
def save_image_file(url, path):
'''
保存图像文件
'''
ir = requests.get(url)
if ir.status_code == 200:
with open(path, 'wb') as f:
f.write(ir.content)
f.close()
def main(offset, word):
html = get_one_page(offset, word)
urls = parse_one_page(html)
# 图像文件夹不存在则创建
root_path = word
if not os.path.exists(root_path):
os.mkdir(root_path)
for i in range(len(urls)):
print('---正在下载 %s'%urls[i]['title'])
folder = root_path + '/' + urls[i]['title']
if not os.path.exists(folder):
try:
os.mkdir(folder)
except NotADirectoryError:
continue
except OSError:
continue
url_list = urls[i]['url_list']
for j in range(len(url_list)):
path = folder + '/index_' + str("%02d"%j) + '.jpg'
if not os.path.exists(path):
save_image_file(urls[i]['url_list'][j], path)
if __name__ == '__main__':
# 抓取2000个图集，基本上包含全部图集
for i in range(100):
main(i*20, '街拍')
可以根据自己喜好替换关键词下载你喜欢的图集。