Python之Instagram图片爬虫(三)

上回我们讲到了所有图片的URL的获取——Python之Instagram图片爬虫(二),这回将要将从真实的链接上下载图片。


下载图片

首先先保存了所有的URL集合到txt中,作为后期爬取的基础数据来源。


URL集合

代码

就直接上完整代码了,这次的关键在于请求的header的设置,所以我们采用了session来请求。具体的步骤就是:

  • 请求用户页面,获取session,里面保存着cookies
  • 使用session请求真实的图片URL
  • 请求过程中sleep 1到2秒,并且请求量超过20-50就更换session
  • 判断状态码,不是200就更换session
#!/usr/bin/env python
# -*- coding: utf-8 -*-

"""
 @File       : spider.py
 @Time       : 2017/8/12 0012 21:22
 @Author     : Empty Chan
 @Contact    : chen19941018@gmail.com
 @Description:
"""
import re
import json
import os
from lxml import etree
import requests
import click
from urllib import parse
import time
import random
from hashlib import md5
import urllib.request
from http import cookiejar
import urllib.response


PAT = re.compile(r'queryId:"(\d*)?"', re.MULTILINE)
headers = {
    "Origin": "https://www.instagram.com/",
    "Referer": "https://www.instagram.com/",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36",
    "Host": "www.instagram.com",
    "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
    "accept-encoding": "gzip, deflate, sdch, br",
    "accept-language": "zh-CN,zh;q=0.8",
    "X-Instragram-AJAX": "1",
    "X-Requested-With": "XMLHttpRequest",
    "Upgrade-Insecure-Requests": "1",
}

jso = {"id": "", "first": 12, "after": ""}

BASE_URL = "https://www.instagram.com"

# QUERY = "/morisakitomomi/"  # 森咲智美
# QUERY = "/_8_jjini/"
NEXT_URL = 'https://www.instagram.com/graphql/query/?query_hash={0}&variables={1}'

with open('./config.json', 'r') as f:
    proxy = json.load(f)
    click.echo(proxy)


def crawl(query):
    if not query:
        raise Exception('请输入正确的Instagram用户')
    folder = query.replace('.', '-')
    click.echo('start...')
    top_url = None
    in_top_url_flag = False
    qq = requests.session()
    try:
        if not os.path.exists('./images/%s' % folder):
            os.mkdir('./images/%s' % folder)

        all_imgs_url = []
        new_imgs_url = []
        if os.path.exists('./images/%s/%s.txt' % (folder, folder)):
            with open('./images/%s/%s.txt' % (folder, folder), mode='r', encoding='utf-8') as f:
                for line in f.readlines():
                    if line.strip():
                        all_imgs_url.append(line)
            top_url = all_imgs_url[0][:-1]
        temp_url = BASE_URL + '/' + query + '/'
        headers.update({'Referer': temp_url})
        res = qq.get(temp_url, headers=headers, proxies=proxy)
        html = etree.HTML(res.content.decode())
        all_a_tags = html.xpath('//script[@type="text/javascript"]/text()')  # 图片数据源
        query_id_url = html.xpath('//script[@type="text/javascript"]/@src')  # query_id 作为内容加载
        click.echo(query_id_url)
        for a_tag in all_a_tags:
            if a_tag.strip().startswith('window'):
                data = a_tag.split('= {')[1][:-1]  # 获取json数据块
                js_data = json.loads('{' + data, encoding='utf-8')
                id = js_data["entry_data"]["ProfilePage"][0]["graphql"]["user"]["id"]
                edges = js_data["entry_data"]["ProfilePage"][0]["graphql"]["user"]["edge_owner_to_timeline_media"]["edges"]
                print(edges)
                end_cursor = js_data["entry_data"]["ProfilePage"][0]["graphql"]["user"]["edge_owner_to_timeline_media"]["page_info"]["end_cursor"]
                has_next = js_data["entry_data"]["ProfilePage"][0]["graphql"]["user"]["edge_owner_to_timeline_media"]["page_info"]["has_next_page"]
                for edge in edges:
                    if top_url and top_url == edge["node"]["display_url"]:
                        in_top_url_flag = True
                        break
                    click.echo(edge["node"]["display_url"])
                    new_imgs_url.append(edge["node"]["display_url"])
                    # click.echo(qq.get(node["display_src"], proxies=proxy).status_code)

                if in_top_url_flag:
                    break
                # 请求query_id
                print(BASE_URL + query_id_url[1])
                query_content = qq.get(BASE_URL + query_id_url[1], proxies=proxy)
                query_id_list = PAT.findall(query_content.text)
                print(query_id_list)
                for u in query_id_list:
                    click.echo(u)
                # query_hash = query_id_list[1]
                # 暂时不确定3个query_hash具体用哪个,目前看网页的情况是固定的
                query_hash = "472f257a40c653c64c666ce877d59d2b"
                retry = 0
                # 更多的图片加载
                while has_next and retry < 3 and not in_top_url_flag:
                    jso["id"] = id
                    jso["first"] = 12
                    jso["after"] = end_cursor
                    text = json.dumps(jso)
                    # for query_hash in query_id_list:
                    url = NEXT_URL.format(query_hash, parse.quote(text))
                    print(url)
                    res = qq.get(url, proxies=proxy)
                    time.sleep(2)
                    html = json.loads(res.content.decode(), encoding='utf-8')
                    if '<' in html:  # 出现HTML tag
                        continue
                    if 'data' not in html:  # data不再json数据中,可能是网络请求引发,进行重试请求
                        retry += 1
                        continue
                    has_next = html["data"]["user"]["edge_owner_to_timeline_media"]["page_info"]["has_next_page"]
                    end_cursor = html["data"]["user"]["edge_owner_to_timeline_media"]["page_info"]["end_cursor"]
                    edges = html["data"]["user"]["edge_owner_to_timeline_media"]["edges"]
                    for edge in edges:
                        if top_url and top_url == edge["node"]["display_url"]:
                            in_top_url_flag = True
                            break
                        click.echo(edge["node"]["display_url"])
                        new_imgs_url.append(edge["node"]["display_url"])
                click.echo('ok')
                # qq.close()
        if new_imgs_url:
            all_urls = new_imgs_url + all_imgs_url
            with open('./images/%s/%s.txt' % (folder, folder), mode='w', encoding='utf-8') as f:
                    for u in all_urls:
                        f.write(u + '\n')
        # t = threading.Thread(target=translate, args=(top_url, new_imgs_url, all_imgs_url, query))
        # t.setDaemon(True)
        # t.start()
        # t.join()
        translate(top_url, new_imgs_url, all_imgs_url, query)
    except Exception as e:
        raise e
    finally:
        qq.close()


def translate(top_url, news_imgs_url, all_imgs_url, path):
    if news_imgs_url:
        click.echo('enter news')
        download(path, news_imgs_url)
    if top_url:
        # file_md5 = md5()
        # file_md5.update(top_url.encode('utf-8'))
        # file_name = file_md5.hexdigest()
        # if os.path.exists('./images/%s/%s.jpg' % (path, file_name)):
        #     return
        # else:
        click.echo('enter all')
        download(path, all_imgs_url)


def download(path, urls):
    ss = requests.session()
    temp_url = BASE_URL + '/' + path + '/'
    folder = path.replace('.', '-')
    header = {
        "Referer": temp_url,
        "Origin": "https://www.instagram.com/",
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
                      "Chrome/60.0.3112.113 Safari/537.36",
        'Connection': 'keep-alive'
    }
    pp = ss.get(temp_url, headers=header, proxies=proxy)
    click.echo(pp.cookies.items())
    click.echo(pp.headers)
    try:
        count = 0
        all_count = len(urls)
        while count < all_count:
            url = urls[count]
            if '\n' in url:
                url = urls[count][:-1]  # 去掉\n结尾
            file_md5 = md5()
            file_md5.update(url.encode('utf-8'))
            file_name = file_md5.hexdigest()
            if os.path.exists('./images/%s/%s.jpg' % (folder, file_name)):
                count += 1
                continue
            time.sleep(2)
            res = ss.get(url, proxies=proxy)  # 默认沿用请求首页的cookies
            click.echo(url + '=>' + str(res.status_code))
            click.echo(res.headers)
            if res.status_code == 200:
                with open('./images/%s/%s.jpg' % (folder, file_name), mode='wb') as f:
                    f.write(res.content)
                    click.echo('%s.jpg save!' % file_name)
                    count += 1
            else:
                ss.close()
                ss = requests.session()
                pp = ss.get(temp_url, headers=header, proxies=proxy)
                click.echo(pp.cookies.items())
                click.echo(pp.headers)
            if count % 100 == random.randrange(20, 50):  # 请求超过20-50次,就重置一下session,防止被远程服务器关闭
                ss.close()
                ss = requests.session()
                pp = ss.get(temp_url, headers=header, proxies=proxy)
                click.echo(pp.cookies.items())
                click.echo(pp.headers)
        click.echo('complete!')
    except Exception as e:
        raise e
    finally:
        ss.close()

if __name__ == '__main__':
    input_instagram = click.prompt("请输入Instagram用户", None)  # 如 "/_8_jjini/"  等用户
    crawl(input_instagram)

这周的文字不多,就是代码比较多,大家可以尝试书写一下代码,哈哈!相信大家都能理解代码的!欢迎点赞和评论!下周再见!
源代码Github

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,602评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,442评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,878评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,306评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,330评论 5 373
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,071评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,382评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,006评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,512评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,965评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,094评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,732评论 4 323
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,283评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,286评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,512评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,536评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,828评论 2 345

推荐阅读更多精彩内容

  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,600评论 18 139
  • Http协议详解 标签(空格分隔): Linux 声明:本片文章非原创,内容来源于博客园作者MIN飞翔的HTTP协...
    Sivin阅读 5,203评论 3 82
  • 一、概念(载录于:http://www.cnblogs.com/EricaMIN1987_IT/p/3837436...
    yuantao123434阅读 8,330评论 6 152
  • 雨压繁枝花满地。云遮皓月暮穹天。
    月中霜里阅读 204评论 0 1
  • 亲: 首先,我要由衷的向你说声对不起!你是个好女孩,是我没有好好珍惜你!我不奢求你的原谅,只希望你在将来能遇上一个...
    梦里朝歌阅读 372评论 0 0