开启辅助访问 切换到宽版

精易论坛

 找回密码
 注册

QQ登录

只需一步,快速开始

用微信号发送消息登录论坛

新人指南 邀请好友注册 - 我关注人的新帖 教你赚取精币 - 每日签到


求职/招聘- 论坛接单- 开发者大厅

论坛版规 总版规 - 建议/投诉 - 应聘版主 - 精华帖总集 积分说明 - 禁言标准 - 有奖举报

查看: 8907|回复: 5
收起左侧

[源码分享] 爬今日头条高清小姐姐图集

[复制链接]
结帖率:0% (0/2)
发表于 2019-1-1 12:57:34 | 显示全部楼层 |阅读模式   山东省济南市
from hashlib import md5
from bs4 import BeautifulSoup
from urllib.parse import urlencode
import requests
from requests.exceptions import RequestException
import json
import re
import os
from multiprocessing import Pool

def get_page_index(offset,keyword):
    data = {
        'offset': offset,
        'format':'json',
        'keyword': keyword,
        'autoload': 'true',
        'count': '20',
        'cur_tab': 1,
        'from': 'search_tab',
        'pd': 'synthesis'
    }
    reponse = requests.get('https://www.toutiao.com/search_content/?'+urlencode(data))
    try:
        if reponse.status_code == 200:
            return reponse.text
    except RequestException:
        print('请求页不存在')

def parse_page_index(html):
    data = json.loads(html)
    if 'data' in data.keys():
        for items in data.get('data'):
            if items.get('article_url') == None:
                continue
            yield items.get('article_url')


def get_page_detail(url):
    headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}
    reponse = requests.get(url,headers=headers)
    try:
        if reponse.status_code == 200:
            return reponse.text
    except RequestException:
        print('详情页页不存在')

def parse_page_detail(html):
    # print(html)
    result = re.findall('gallery:.*?JSON.parse\("(.*?)"\)', html, re.S)
    for results in result:
        results = re.sub('\\\\','',results)
        if len(result) ==0:
            pass
        else:
            soup = BeautifulSoup(html, 'lxml')
            title = soup.title.string
            if results:
                data = json.loads(results)
                if 'count' in data.keys():
                    sub_images = data.get('sub_images')
                    images = [items.get('url') for items in sub_images]
                    for image in images:
                        download_images(image)

def download_images(url):
    print('正在下载....'+url)
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}
    reponse = requests.get(url, headers=headers)
    try:
        if reponse.status_code == 200:
            save_images(reponse.content)
    except RequestException:
        print('详情页页不存在')

def save_images(content):
    file_path = ('E:/爬取的图片/'+ 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,keyword):
    html=get_page_index(offset,keyword)
    for url in parse_page_index(html):
        html = get_page_detail(url)
        if html:
            result=parse_page_detail(html)

if __name__ == '__main__':
    pool = Pool()
    keyword = input('keyword:')
    for i in range(20):
        offset=i*20
        main(offset,keyword)
结帖率:27% (3/11)

签到天数: 2 天

发表于 2019-2-11 12:48:08 | 显示全部楼层   河南省郑州市
pythonpythonpythonpythonpythonpythonpython
回复 支持 反对

使用道具 举报

结帖率:0% (0/2)

签到天数: 3 天

 楼主| 发表于 2019-1-1 14:30:47 | 显示全部楼层   山东省济南市
汉族 发表于 2019-1-1 14:29
易语言的话,可以用多线程 不要命的爬

这个可以开多进程只是我没开
回复 支持 反对

使用道具 举报

结帖率:87% (20/23)

签到天数: 14 天

发表于 2019-1-1 14:29:55 | 显示全部楼层   广东省东莞市
易语言的话,可以用多线程 不要命的爬
回复 支持 反对

使用道具 举报

结帖率:0% (0/1)

签到天数: 1 天

发表于 2019-1-1 13:03:10 | 显示全部楼层   河北省石家庄市
加油加油,继续学习,忘大佬勿喷
回复 支持 反对

使用道具 举报

结帖率:0% (0/2)

签到天数: 3 天

 楼主| 发表于 2019-1-1 12:58:47 | 显示全部楼层   山东省济南市
加油加油,继续学习,忘大佬勿喷
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 注册

本版积分规则 致发广告者

发布主题 收藏帖子 返回列表

sitemap| 易语言源码| 易语言教程| 易语言论坛| 易语言模块| 手机版| 广告投放| 精易论坛
拒绝任何人以任何形式在本论坛发表与中华人民共和国法律相抵触的言论,本站内容均为会员发表,并不代表精易立场!
论坛帖子内容仅用于技术交流学习和研究的目的,严禁用于非法目的,否则造成一切后果自负!如帖子内容侵害到你的权益,请联系我们!
防范网络诈骗,远离网络犯罪 违法和不良信息举报电话0663-3422125,QQ: 793400750,邮箱:wp@125.la
Powered by Discuz! X3.4 揭阳市揭东区精易科技有限公司 ( 粤ICP备12094385号-1) 粤公网安备 44522102000125 增值电信业务经营许可证 粤B2-20192173

快速回复 返回顶部 返回列表