通过分析ajax网页获取今日头条街拍美图

首先解释下什么是ajax动态网页，刷微博会经常遇见这种，往下一直拉取，就会一直有数据在加载，然后显示在你的界面，类似于下图。

也能发现，该网页是通过改变offset(步长为20)，来加载数据（观察改步是通过的XHR标签）
然后抓取数据。
有待学习google开发者F12
network
如果看ajax加载，需要XHR标签
如果看源码，需要Doc标签
待有机会，详细解析代码，目前只是崔老师的成功爬取的代码，有pool层

from requests.exceptions import RequestException
import json
import re
from bs4 import BeautifulSoup
import requests
from urllib.parse import urlencode
from requests import codes   # ？from 和 import 的区别
import os
from hashlib import md5   # ？
from multiprocessing.pool import Pool   # 多进程池

def get_page_index(offset, keyword):
    data = {
        'offsets': offset,
        'format': 'json',
        'keyword': keyword,
        'autoload': 'true',
        'count': '20',
        'cur_tab': 3
    }
    url = 'http://www.toutiao.com/search_content/?' + urlencode(data)  # 这是网页的地址，urlencode是url的一种编码方式
    try:
        response = requests.get(url)
        if response.status_code == codes.ok:
            return response.json()
    except requests.ConnectionError:
        print('请求索引出错')
        return None

def get_images(json):
    if json.get('data'):
        data = json.get('data')
        for item in data:
            if item.get('cell_type') is not None:
                continue
            title = item.get('title')
            images = item.get('image_list')
            for image in images:
                yield {
                    'image': 'https:' + image.get('url'),
                    'title': title
                }

def save_image(item):
    img_path = 'img' + os.path.sep + item.get('title')
    if not os.path.exists(img_path):
        os.makedirs(img_path)
    try:
        resp = requests.get(item.get('image'))
        if codes.ok == resp.status_code:
            file_path = img_path + os.path.sep + '{file_name}.{file_suffix}'.format(
                file_name=md5(resp.content).hexdigest(),
                file_suffix='jpg')
            if not os.path.exists(file_path):
                with open(file_path, 'wb') as f:
                    f.write(resp.content)
                print('Downloaded image path is %s' % file_path)
            else:
                print('Already Downloaded', file_path)
    except requests.ConnectionError:
        print('Failed to Save Image，item %s' % item)

def main(offset):
    json = get_page_index(offset,'街拍')
    for item in get_images(json):
        print(item)
        save_image(item)

GROUP_START = 0
GROUP_END = 7

if __name__ == '__main__':
    pool = Pool()
    groups = ([x * 20 for x in range(GROUP_START,GROUP_END + 1)])
    pool.map(main,groups) # 池化匹配
    pool.close()
    pool.join()

标签：file,get,image,item,ajax,美图,import,path,头条
来源： https://blog.csdn.net/ACBattle/article/details/84679828