[JavaScript知识库]分析Ajax抓取今日头条街拍图片（关于使用page_num且获取不到json对象的解决办法）

1.准备工作

首先，请确保安装好requests库。

2.抓取分析

在抓取之前，首先要分析抓取的逻辑。打开今日头条的首页https://www.toutiao.com/，如图

在搜索框输入街拍，结果如图所示

点击图片，切换到图片分类中

这时打开开发者工具，查看所有的网络请求。首先，打开第一个网络请求，这个请求的URL就是当前的连接https://so.toutiao.com/search?keyword=%E8%A1%97%E6%8B%8D&pd=atlas&source=search_subtab_switch&dvpf=pc&aid=4916&page_num=0，打开Preview选项卡查看Response Body。发现页面只有一部分，如图，可以分析后面的图片数据是由Ajax加载，然后用JavaScript渲染出来的。

接下来，我们可以切换到XHR过滤选项卡，查看有没有Ajax请求。
果然，这里出现了一个比较常规的Ajax请求，看看它的结果是否包含了页面中的相关数据。
点击rawData字段展开，可以发现里面有一个data字段，还有count字段为40，意思是这条请求包含40个图片，data字段里包含40条记录，分别是图片的url，以及其他信息。

这就确定了这些数据确实是由Ajax加载的。
我们的目的是要抓取其中的图片，这里一组图就对应前面data字段中的一条数据。如图所示

因此，我们只需要将data中每条数据的img_url字段提取并下载下来就好了。建立一个文件夹保存这些图片。
接下来，我们就可以直接用Python来模拟这个Ajax请求，然后提取相关信息。但是在这之前，我们还需要分析一下URL的规律。
切换回Headers选项卡，观察一下它的请求URL和Headers信息，如图

可以看到，这是一个GET请求，请求的参数有keyword、pd、source、dvpf、aid、page_num、search_json、rawJSON、search_id，我们需要找出这些参数的规律，因为这样才可以方便用程序构造请求。
接下里，滑动界面，多加载一些结果。在加载的同时可以发现，NetWork中又出现了许多Ajax请求，如图：

这里观察一下前后几个连接的请求变化，发现只有page_num参数在变化，每次的变化为1，所以可以发现规律，这个page_num就是偏移量，进而可以推断出count参数就是一次性获取的数据条数。因此我们可以用page_num参数来控制分页。这样就可以通过接口批量获取数据了，然后将数据解析，将图片下载即可。另外，我们发现keyword参数使用的并不是明文，而是经加密后的代码，我们可以借助python中的unquote包来解决。

3.实战演练

我们刚才已经分析了一下Ajax请求的逻辑，下面使用程序来实现。
首先，实现方法get_page()来加载单个Ajax请求的结果。其中唯一的变化就是参数page_num，所以把他当作参数传递,另外需要注意的是这里需要构造请求头，并且需要包含cooike，否则会获取不到Response，信息可以在Headers选项卡中找到：

而构造参数可以在payload选项卡中找到

import requests
from urllib.parse import urlencode,quote,unquote

headers = {
    'Host': 'so.toutiao.com',

    'Referer': 'https://so.toutiao.com/search?keyword=%E8%A1%97%E6%8B%8D&pd=atlas&dvpf=pc&aid=4916&page_num=0&search_json={%22from_search_id%22:%222022040316335201021218304330C35A48%22,%22origin_keyword%22:%22%E8%A1%97%E6%8B%8D%22,%22image_keyword%22:%22%E8%A1%97%E6%8B%8D%22}',

    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.84 Safari/537.36',

    'X-Requested-With': 'XMLHttpRequest', # Ajax请求需要手动设置这里

    'Cookie': 'passport_csrf_token=92a1b4e0108fb8384f5b81554b5b5424; tt_webid=7053044990251386398; _S_DPR=1.25; _S_IPAD=0; MONITOR_WEB_ID=7053044990251386398; ttwid=1%7CoqMwjUw5WGRdjYizT8quhnfpAchk3v_E3YLa1riJgrY%7C1648972603%7Cbaea5aebf3461426baaede977fa55b0efec3033a9f0d6a3e26684ba80f607ee9; _S_WIN_WH=1536_722'

}

def get_page(page_num):
    params = {
        'keyword':unquote('%E8%A1%97%E6%8B%8D') ,
        'pd':'atlas',
        'dvpf':'pc',
        'aid': '4916' ,
        'page_num':page_num,
        'search_json':{"from_search_id":"2022040316335201021218304330C35A48","origin_keyword":"街拍","image_keyword":"街拍"},
        'rawJSON':'1',
        'search_id':'2022040317334901015013503043241DAC'
    }
    url = 'https://so.toutiao.com/search/?'+urlencode(params,headers)
    try:
        response = requests.get(url,headers=headers,params=params)
        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，如果返回状态码是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img_url字段中的图片链接，将图片链接返回，此时可以构造一个生成器。实现代码如下：

def get_images(json):
    if json.get('rawData'):
        images = json.get('rawData').get('data')
        for image in images:
            link = image.get('img_url')
            yield {
                    'image':image.get('img_url'),
                    'title':"街拍",
                    'text':image.get('text')
                }

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。代码如下：

import os
from hashlib import md5

def 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，只需要构造一个数组，遍历，提取图片链接，并将其下载即可：

from multiprocessing.pool import Pool

def main(page_num):
    json = get_page(page_num)
    for item in get_images(json):
        print(item)
        save_image(item)

GROUP_START = 1
GROUP_END = 20

if __name__ == '__main__':
    # pool = Pool()
    # groups = ([x*20 for x in range(GROUP_START,GROUP_END+1)])  #使用这种方式启动出现bug，原因还没有找到
    # pool.map(main,groups)
    # pool.close()
    # pool.join()
    for i in range(1,10):
        main(i)

由于博主使用线程池出现bug，还未找到原因，所以先使用for循环
运行结果如下：

最后，给出本文代码地址：https://github.com/jiangwenvae/Spider/blob/main/spider/TouTiaoAjax.py

参考文献

[1].Python3网络爬虫开发实战.崔庆才.——6.4