python爬虫—— 抓取今日头条的街拍的妹子图

AJAX 是一种用于创建快速动态网页的技术。 通过在后台与服务器进行少量数据交换，AJAX 可以使网页实现异步更新。这意味着可以在不重新加载整个网页的情况下，对网页的某部分进行更新。 

近期在学习获取js动态加载网页的爬虫，决定通过实例加深理解。

1、首先是url的研究（谷歌浏览器的审查功能）

http://www.toutiao.com/search_content/?offset=0&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&cur_tab=1

对应用get方法到url上获取信息。网页对应offset=0 、keyword=%E8%A1%97%E6%8B%8D  是会变的。如果要批量爬取，就得设置循环。

当网页下拉，offset会20、40、60的变化，其实就是每次加载20个内容。

2、

通过requests获得response，进行json解析。

还是一样的网页，切换到Preview，可以看到json的数据内容。title在['date'][0]['title']下，其他类似。

import json
import requests,os
def download_pic(file,name,html):
    r = requests.get(html)
    filename=os.path.join(file,name+'.jpg')
    with open(filename,'wb') as f:
        f.write(r.content)
        
url = 'http://www.toutiao.com/search_content/?offset=0&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&cur_tab=1'

res = requests.get(url)
json_data = json.loads(res.text)
data = json_data['data']
for i in data:
    print i['title']
    file_path = os.getcwd()+'\image'
    print file_path
    for p in i['image_detail']:
        print p['url']
        name = p['url'].split('/')[-1]
        download_pic(file_path,name,p['url'])

   

在当前目录新建image文件夹，然后爬虫下载图片。

图片名截取url链接的后面部分31e30003d4be75c719ae.jpg

例如http://p3.pstatp.com/large/31e30003d4be75c719ae

 

 

结果如下：（仅供学习交流）

循环什么的没写只爬取前20个链接的图片。

 

 

 

--------------------------------------------------------------------------------------------------------------

http://jandan.net/ooxx——煎蛋网

同样是妹子图，有些网页不涉及json动态加载的就比较简单了，用beautifulsoup即可

贴上代码匿了

import requests,os,time
from bs4 import BeautifulSoup
def download_pic(file,name,html):
    r = requests.get(html)
    filename=os.path.join(file,name+'.jpg')
    with open(filename,'wb') as f:
        f.write(r.content)
        

def get_url(url):
    res = requests.get(url)
    soup = BeautifulSoup(res.text,'lxml')
    data = soup.select(' div.text > p > img')
    print data
    for i in data:
        s = i.attrs['src'][2:]
        print s
        file_path = os.getcwd()+'\imgage1'
        print file_path
        name = i.attrs['src'].split('/')[-1]
        download_pic(file_path,name,'http://'+s)

 
for i in reversed(range(236)):
    url = 'http://jandan.net/ooxx/page-'+str(i)+'#comments'  
    if requests.get(url).status_code == 200:
        get_url(url)
    time.sleep(5)