知识点整理：

• 目录：
  1.分析目标网页代码结构；
  2.代码爬取数据；
  3.保存或下载数据。

一、分析网页

我们在头条搜索“街拍”弹的网址https://www.toutiao.com/search/?keyword=街拍，我们按F12查询源码，但很明显这个页面没有我们东西

image.png

image.png

image.png

二、写代码爬取

这里要注意几个点：

• 1、 请求索引页的时候https://www.toutiao.com/search_content/?这个页面是有参数的，
  image.png
  
  因此需要将这些参数urlencode一下然后拼接到请求地址
• 2、 请求详情页的时候，由于网站做了简单的反爬，需要在请求的时候加入请求头hearders，这样才能获取到刚刚内容
• 3、 获取到详情页内容，用正则获取到藏有详情页图片地址的json字符串就这样的格式：{\"count\":6,\"sub_images\":[{\"url\":\"http:\\/\\/p9.pstatp.com\\/origin\\/pgc-image\\/.......}，反斜杠\有转义效果，因此不能直接用json.loads将字符串转为python对象，直转的话会报错json.decoder.JSONDecodeError，所以我们可能用正则re.sub()或内置函数replace()将字符串替换一下，然后再json.loads()转换

三、下载保存

这一步比较简单，就是直接insert 到MongoDB和write一下文件就可以了，直接看代码就能理解

附上源码：

• 配置文件---config.py

MONGO_URL='localhost' #MongoDB本地连接
MONGO_DB='toutiao' #数据库名
MONGO_TABLE='toutiao' #表名

GROUP_START=0 #起始
GROUP_END =20 #结束

KEYWORD = '街拍' #搜索关键词

• 执行代码文件---spider.py

# -*- coding: utf-8 -*-

import requests
from requests.exceptions import RequestException
from urllib.parse import urlencode
import json
from bs4 import BeautifulSoup
import re
from config import *
import pymongo
from hashlib import md5
import os
from multiprocessing import Pool

#client = pymongo.MongoClient(MONGO_URL,connect=False)#由于启动多进程爬取，所以与MongoDB数据库连接时可能会报错，就需要加上connect=False,
client = pymongo.MongoClient(MONGO_URL)#连接MongoDB
db = client[MONGO_DB]#创建数据库

def get_page_index(offset,keyword):
    data={
        'offset': offset,
        'format': 'json',
        'keyword': keyword,
        'autoload': 'true',
        'count': '20',
        'cur_tab': 3,
        'from':'gallery',
    }
    url='https://www.toutiao.com/search_content/?'+urlencode(data)
    try:
        response = requests.get(url)
        if response.status_code==200:
            return response.text
        return None
    except RequestException:
        print("请求索引页url出错")
        return None

def parse_page_index(html):
    data = json.loads(html)#将json字符串转换成python对象
    if data and 'data'in data.keys():
        for item in data.get('data'):
            yield item.get('article_url')#将方法变成生成器每次返回一个url

def get_page_detail(url):
    headers= {
        'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
    }
    try:
        response = requests.get(url,headers=headers)#爬取详情页需要加请求头，不然获取不了数据
        if response.status_code==200:
            return response.text#response.text一般来说这个返回网页源码
        return None
    except RequestException:
        print("请求详情页出错",url)
        return None

def parse_page_detail(html,url):
    soup = BeautifulSoup(html,'lxml')
    title = soup.select('title')[0].get_text()
    print(title)
    images_pattern = re.compile('gallery: JSON.parse\("(.*?)"\),',re.S)#根据数据特点用正则筛选想要的数据
    result = re.search(images_pattern,html)
    if result:
        #print(result.group(1))
        page_detail = result.group(1)
        page_result = page_detail.replace('\\"','"',10000)#这个替换是为了修正数据格式，这样才能用json.loads,否则会报错json.decoder.JSONDecodeError
        last_change = page_result.replace('\\/','/',10000)#这个替换是为了修正详情页图片地址
        #print(page_result)
        data = json.loads(last_change)
        if data and 'sub_images'in data.keys():
            sub_images = data.get('sub_images')
            images = [item.get('url') for item in sub_images]#将详情页图片url循环生成列表
            for image in images: download_image(image)#将详情页图片url循环下载
            return {
                'title':title,
                'url':url,
                'images':images
            }

def save_to_mongo(result):
    if db[MONGO_TABLE].insert(result):#将结果插入到MongoDB
        print('存储到MongoDB成功',result)
        return True
    return False

def download_image(url):
    print("正在下载：",url)
    try:
        response = requests.get(url)
        if response.status_code==200:
            save_image(response.content)##response.content一般来说这个返回文件，图片等二进制内容
        return None
    except RequestException:
        print("下载图片出错",url)
        return None

def save_image(content):
    file_path = '{0}/{1}/{2}.{3}'.format(os.getcwd(),'download_image', md5(content).hexdigest(),'jpg')
    if not os.path.exists(file_path):
        with open(file_path,'wb') as f:
            f.write(content)
            f.close()

def main(offset):
    html = get_page_index(offset,KEYWORD)
    #print(html)
    for url in parse_page_index(html):
        print(url)
        html =  get_page_detail(url)
        #print(html)
        if html:
            result = parse_page_detail(html,url)
            #print(result)
            save_to_mongo(result)

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