本节中，我们以今日头条为例来尝试通过分析Ajax请求来抓取网页数据的方法。这次要抓取的目标是今日头条的街拍美图，抓取完成之后，将每组图片分文件夹下载到本地并保存下来。
1. 准备工作
在本节开始之前，请确保已经安装好requests库。
2.实战演练
首先，实现方法get_page()来加载单个Ajax请求的结果。其中唯一变化的参数就是offset，所以我们将它当作参数传递，实现如下：
import requestsfrom urllib.parse import urlencodedef get_page(offset): ???params = { ???????‘offset‘: offset, ???????‘format‘: ‘json‘, ???????‘keyword‘: ‘街拍‘, ???????‘autoload‘: ‘true‘, ???????‘count‘: ‘20‘, ???????‘cur_tab‘: ‘1‘, ???} ???url = ‘http://www.toutiao.com/search_content/?‘ + urlencode(params) ???try: ???????response = requests.get(url) ???????if response.status_code == 200: ???????????return response.json() ???except requests.ConnectionError: ???????return None这里我们用urlencode()方法构造请求的GET参数，然后用requests请求这个链接，如果返回状态码为200，则调用response的json()方法将结果转为JSON格式，然后返回。
接下来，再实现一个解析方法：提取每条数据的image_detail字段中的每一张图片链接，将图片链接和图片所属的标题一并返回，此时可以构造一个生成器。实现代码如下：
def get_images(json): ???if json.get(‘data‘): ???????for item in json.get(‘data‘): ???????????title = item.get(‘title‘) ???????????images = item.get(‘image_detail‘) ???????????for image in images: ???????????????yield { ???????????????????‘image‘: image.get(‘url‘), ???????????????????‘title‘: title ???????????????}接下来，实现一个保存图片的方法save_image()，其中item就是前面get_images()方法返回的一个字典。在该方法中，首先根据item的title来创建文件夹，然后请求这个图片链接，获取图片的二进制数据，以二进制的形式写入文件。图片的名称可以使用其内容的MD5值，这样可以去除重复。相关代码如下：
import osfrom hashlib import md5def save_image(item): ???if not os.path.exists(item.get(‘title‘)): ???????os.mkdir(item.get(‘title‘)) ???try: ???????response = requests.get(item.get(‘image‘)) ???????if response.status_code == 200: ???????????file_path = ‘{0}/{1}.{2}‘.format(item.get(‘title‘), md5(response.content).hexdigest(), ‘jpg‘) ???????????if not os.path.exists(file_path): ???????????????with open(file_path, ‘wb‘) as f: ???????????????????f.write(response.content) ???????????else: ???????????????print(‘Already Downloaded‘, file_path) ???except requests.ConnectionError: ???????print(‘Failed to Save Image‘)最后，只需要构造一个offset数组，遍历offset，提取图片链接，并将其下载即可：
from multiprocessing.pool import Pooldef main(offset): ???json = get_page(offset) ???for item in get_images(json): ???????print(item) ???????save_image(item)GROUP_START = 1GROUP_END = 20if __name__ == ‘__main__‘: ???pool = Pool() ???groups = ([x * 20 for x in range(GROUP_START, GROUP_END + 1)]) ???pool.map(main, groups) ???pool.close() ???pool.join()
这里定义了分页的起始页数和终止页数，分别为GROUP_START和GROUP_END，还利用了多线程的线程池，调用其map()方法实现多线程下载。
这样整个程序就完成了，运行之后可以发现街拍美图都分文件夹保存下来了，如图所示。
最后，我们给出本节的代码地址：https://github.com/Python3WebSpider/Jiepai。
芝麻HTTP：分析Ajax爬取今日头条街拍美图
原文地址：https://www.cnblogs.com/zhimaruanjian/p/8565166.html