爬虫实战2：爬头条网美图--Ajax图片加载处理

完整代码经测试可成功运行，目的是抓取头条网输入街拍后的图片，涉及的知识点如下

1. md5加密使用方法

方法1：不创建实例对象，直接使用
>>> from hashlib import md5
>>> md5('hong'.encode('utf-8')).hexdigest()
'88163c52fdb7520d2da5295dcb52bff0'

方法2：创建实例对象的方法
>>> a=md5()
>>> a.update('hong'.encode('utf-8')  # update函数生成摘要信息
>>> a.hexdigest()    # hexdigest函数输出16进制的32位摘要信息
'88163c52fdb7520d2da5295dcb52bff0'

每一个数据的摘要信息都是独一无二的，用于安全加密

 

注意：

方法2中如果重复执行接着执行mymd5.update('hong'.encode('utf-8'))和mymd5.hexdegest()，发现2次输出值是不一样的。按理所相同的字符串数据结果应该一样，为什么呢？

经测试发现，两次执行md5.update()函数，会把字符串进行拼接 ，第二次相当于执行mymd5.update('honghong'.encode('utf-8'))，为了消除这种错误，需要 每次使用update之前~都要重新定义：mymd5=hashilib.md5()

 

 

 

 

下面代码中有几个问题点不明白

1. 查看头信息，参数表和代码中params有些不同，不知道代码中的参数是怎么来的

offset: 40
format: json
keyword: 街拍
autoload: true
count: 20
cur_tab: 1
from: search_tab

2. 第51行代码不明白

new_image_url = local_image_url.replace('list','large')

说明：经验证，//p3.pstatp.com/list/pgc-image/153077042661778985015b6这个地址是返回一个图片的缩小版，如果把地址中的list改为large就能变成大图。

下面的代码有个缺陷： 每组图都只能爬取前四张图，暂时不知道怎么解决

完整代码如下

 import os
 import requests
 from urllib.parse import urlencode
 from hashlib import md5
 from multiprocessing.pool import Pool

 GROUP_START = 1
 GROUP_END = 5

 def get_page(offset):
     params = {
         'offset': offset,
         'format': 'json',
         'keyword': '街拍',
         'autoload': 'true',
         'count': '',
         'cur_tab': '',
         'from': 'gallery',
     }
     url = 'https://www.toutiao.com/search_content/?' + urlencode(params)  #这里的url要写头信息里面的Request URL
     try:
         response = requests.get(url)
         if response.status_code == 200:
             return response.json()   #调用json方法，将结果转为json格式
     except requests.ConnectionError:
         return None

 def get_images(json):
     data = json.get('data')   #参数'data'字段来自于网页分析 XHR中的preview选项卡，里面有data字段
     if data:
         for item in data:
             # print(item)
             image_list = item.get('image_list')
             title = item.get('title')
             # print(image_list)
             if image_list:
                 for image in image_list:
                     yield {
                         'image': image.get('url'),
                         'title': title
                     }

 def save_image(item):
     if not os.path.exists(item.get('title')):
         os.mkdir(item.get('title'))
     try:
         local_image_url = item.get('image')
         new_image_url = local_image_url.replace('list','large')
         response = requests.get('http:' + new_image_url)
         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')

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

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