由于界面上的图片都是通过ajax异步请求的,所以我们还是先了解一下ajax的一些基本原理;
ajax:Asynchronous JavaScript and XML,意思就是用JavaScript执行异步网络请求。其实说白了就是一个异步网络请求库,需要通过回调获取到请求的结果;
然后我们的下载库用的是requests,requests是一个很强大的三方库,包含了各种请求的下载,解析库仍然用的是beautifulsoup,以文件的形式存储在本地;
现在我们分析一下目标网页:找到目标网页,我们发现response返回值全是一些js,并没有我们想要的内容,而返回js就是用ajax方式请求的,
所以我们找到XHR栏,XHR栏就是过滤出全部的ajax请求;我们找到请求头,可以看到请求方式是get,请求参数有6个,
我们在找到对应的response,发现应该找对地方了,title是吻合的;
对应的url也是吻合的,这样就证明完全正确了,请求方式是ajax;
我们在看一下,当不断滑动去请求的时候,请求参数就只有offset发生了改变,其他都不变,那我们可以通过改变offset的值去下载网页了;
我们在看看点进去之后的街拍美图,是不是也是ajax请求呢?我们找到了图片的地址,并不在XHR里面,自然也不是ajax请求了;图片的地址存在了gallery变量里面;这个变量是一个jsonArray,里面存放了所有的组图地址,
现在目标站点分析完毕,我们先来看看框架的搭建,1.用requests抓取索引页的内容,得到详情页的url,2.抓取详情页信息,3.下载图片保存在本地;
现在就上代码:首先下载目标页,目标页的请求方式是ajax请求,所以这里我们仿造了一个请求,用urlencode()方法可以将字典转成url的拼接参数
得到下载页的html后,我们需要解析下载的html得到详情页的url,我们可以看到目标页返回的html是一个json对象,所以首先我们拿到json,通过遍历得到详情页的url;
得到详情页的url之后,我们需要下载详情页,大家可以看到这里下载的时候,我加了一个headers,为啥呢?因为不加headers得到的数据是空的,这里大家可自行验证,其实这是今日头条的反爬虫策略,我们加上headers,伪装成浏览器访问,就可以得到数据了;
得到详情页html之后,我们继续解析详情页的html,得到图片的真正url,通过前面的分析,我们知道图片的地址放在了gallery变量里面,这里我们通过正则表达式获取到变量的值,在通过反编码拿到具体的对象,最后拿到具体图片的url
最后把图片下载到本地,这里获取的是content,content指的是二进制数据;
保存图片:用了md5()方法,主要是为了排除相同照片重复下载;如果二进制相同的文件,它的md5值是相同的;
最后我们看看结果:慢慢欣赏吧;大家可以通过改变offset的值,获取更多的美女图片,想要多少,就有多少,在开一个多线程下载,提高下载效率,可自行补充;
代码已上传,地址:https://github.com/softwareXiaotao/spider_beautiful