python爬虫之今日头条街拍美图

今日头条街拍美图

代码均有注释

import re,json,requests,os
from hashlib import md5
from urllib.parse import urlencode
from requests.exceptions import RequestException
from bs4 import BeautifulSoup
from multiprocessing import Pool

#请求索引页
def get_page_index(offset,keyword):
#传送的数据
data={
'offset': offset,
'format': 'json',
'keyword': keyword,
'autoload': 'true',
'count': '20',
'cur_tab': 1

}
#自动编码为服务器可识别的url
url="https://www.toutiao.com/search_content/?"+urlencode(data)
#异常处理
try:
#获取返回的网页
response=requests.get(url)
#判断网页的状态码是否正常获取
if response.status_code==200:
#返回解码后的网页
return response.text
#不正常获取，返回None
return None
except RequestException:
#提示信息
print("请求索引页出错")
return None
#解析请求的索引网页数据
def parse_page_index(html):
#json加载转换
data=json.loads(html)
#数据为真，并且data键值存在与数据中
if data and 'data' in data.keys():
#遍历返回图集所在的url
for item in data.get('data'):
yield item.get('article_url')

#图集详情页请求
def get_page_detail(url):
#设置UA，模拟浏览器正常访问
head = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
#异常处理
try:
response=requests.get(url,headers=head)
if response.status_code==200:
return response.text
return None
except RequestException:
print("请求详情页出错")
return None

#解析图集详情页的数据
def parse_page_detail(html,url):
#异常处理
try:
#格式转换与图集标题提取
soup=BeautifulSoup(html,'lxml')
title=soup.select('title')[0].get_text()
print(title)
#正则查找图集链接
image_pattern = re.compile('gallery: (.*?),\n', re.S)
result = re.search(image_pattern, html)

if result:
#数据的优化
result=result.group(1)
result = result[12:]
result = result[:-2]
#替换
result = re.sub(r'\\', '', result)
#json加载
data = json.loads(result)
#判断数据不为空，并确保sub——images在其中
if data and 'sub_images' in data.keys():
#sub_images数据提取
sub_images=data.get('sub_images')
#列表数据提取
images=[item.get('url') for item in sub_images]
#图片下载
for image in images:download_images(image)
#返回字典
return {
'title':title,
'url':url,
'images':images

}
except Exception:
pass
#图片url请求
def download_images(url):
#提示信息
print('正在下载',url)
#浏览器模拟
head = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
#异常处理
try:
response = requests.get(url, headers=head)
if response.status_code == 200:
#图片保存
save_image(response.content)
return None
except RequestException:
print("请求图片出错")
return None

#图片保存
def save_image(content):
#判断文件夹是否存在，不存在则创建
if '街拍' not in os.listdir():
os.makedirs('街拍')
#设置写入文件所在文件夹位置
os.chdir('E:\python写网路爬虫\CSDN爬虫学习\街拍')
#路径，名称，后缀
file_path='{0}/{1}.{2}'.format(os.getcwd(),md5(content).hexdigest(),'jpg')
#图片保存
with open(file_path,'wb') as f:
f.write(content)
f.close()
#主函数
def mian(offset):
#网页获取
html=get_page_index(offset,'街拍')
#图集url
for url in parse_page_index(html):
if url!=None:
#图集网页详情
html=get_page_detail(url)
#图集内容
result=parse_page_detail(html,url)

if __name__ == '__main__':
#创建访问的列表（0-9）页
group=[i*10 for i in range(10)]
#创建多线程进程池
pool=Pool()
#进程池启动，传入的数据
pool.map(mian,group)

爬取图片如下