爬虫实例——爬取淘女郎的相册(借助谷歌浏览器的开发者工具找出规律快速爬取)

时间:2022-07-01 05:06:47

用正常的方式(selenium、PhantomJS、BeautifulSoup)爬取淘女郎相册不仅困难,效率很低,而且很容易卡死。

我借助谷歌浏览器的开发者工具找出每个页面的规律,快速获取每张照片的链接,再下载,这样效率就很高了。

过程

首页很简单,没有采用JS渲染,直接用requests就能获取完整的源代码,没什么说的。

淘女郎首页采用了JS渲染,直接用requests是获取不到完整的源代码的,此时可以打开谷歌浏览器的开发者工具,主要看“Network”,筛选出“XHR”,如下图:

爬虫实例——爬取淘女郎的相册(借助谷歌浏览器的开发者工具找出规律快速爬取)

从上图可知,从这个页面可以获取淘女郎的个人资料,读者可以直接从浏览器中打开该链接,看看是否能获取淘女郎的个人资料。

https://mm.taobao.com/self/info/model_info_show.htm?user_id=687471686

观察这个URL很容易发现,我们只需改变用户ID就可以得到不同淘女郎的个人资料了,所以在爬取首页时记得把用户ID也爬取下来。

接下来看一下相册,打开淘女郎的相册,同样是打开谷歌浏览器的开发者工具,看“XHR”,你可以得到这么一个链接:

https://mm.taobao.com/self/album/open_album_list.htm?_charset=utf-8&user_id%20=687471686

从这个链接你可以获取淘女郎的相册链接、名称和照片数,但得到的只是第一页的数据,怎么看第二页的呢,在前台翻页后从开发者工具可以看到多了一个XHR:

https://mm.taobao.com/self/album/open_album_list.htm?_charset=utf-8&user_id%20=687471686&page=2

这就是相册的规律,通过两个参数控制,一个是用户ID,一个是页数。

接下来看看相册里面的内容,此时看XHR得不到我们要的内容,应该看看别的,我在JS里发现了这个页面:

爬虫实例——爬取淘女郎的相册(借助谷歌浏览器的开发者工具找出规律快速爬取)

从上图可知,这个页面会返回JSON数据,里面包含了图片的链接,但通过查找发现只有16张照片,实际上这个相册却有45张照片,回到前台,下拉滚动条,发现多了几个这样的页面:

爬虫实例——爬取淘女郎的相册(借助谷歌浏览器的开发者工具找出规律快速爬取)

它们的URL分别是:

https://mm.taobao.com/album/json/get_album_photo_list.htm?user_id=687471686&album_id=10000702574&top_pic_id=0&cover=%2F%2Fimg.alicdn.com%2Fimgextra%2Fi2%2F687471686%2FTB1TlwDLFXXXXbxaXXXXXXXXXXX_!!2-tstar.png&page=1&_ksTS=1465185952899_155&callback=jsonp156

https://mm.taobao.com/album/json/get_album_photo_list.htm?user_id=687471686&album_id=10000702574&top_pic_id=0&cover=%2F%2Fimg.alicdn.com%2Fimgextra%2Fi2%2F687471686%2FTB1TlwDLFXXXXbxaXXXXXXXXXXX_!!2-tstar.png&page=2&_ksTS=1465186271282_254&callback=jsonp255

https://mm.taobao.com/album/json/get_album_photo_list.htm?user_id=687471686&album_id=10000702574&top_pic_id=0&cover=%2F%2Fimg.alicdn.com%2Fimgextra%2Fi2%2F687471686%2FTB1TlwDLFXXXXbxaXXXXXXXXXXX_!!2-tstar.png&page=3&_ksTS=1465186273660_330&callback=jsonp331

每个URL包含的参数都很多,有两个参数(_ksTS和callback)看不出规律,于是我打开了另一个相册,发现每个相册的这两个参数都是固定的,第一页的都是155-156,第二页的都是254-255,第三页的都是330-331,且从第二页开始,下一页的callback减去上一页的callback都等于76。

然而知道这些规律后我发现并没什么卵用,因为我发现即使没有这些参数也能获取数据:

https://mm.taobao.com/album/json/get_album_photo_list.htm?user_id=687471686&album_id=10000702574&page=1

https://mm.taobao.com/album/json/get_album_photo_list.htm?user_id=687471686&album_id=10000702574&page=2

https://mm.taobao.com/album/json/get_album_photo_list.htm?user_id=687471686&album_id=10000702574&page=3

其实只需用户ID、相册ID和页数即可。

接下来就是获取每张照片的URL和保存照片了。

代码

# -*- coding: utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
'''
作者:昨夜星辰
注意事项:该脚本只能在Linux环境用Python 2.x运行,如需在其他环境运行请读者自行修改。
'''
import re
import os
import shutil
import requests
from bs4 import BeautifulSoup

# 创建文件夹,若已存在则删除,再创建。
def create_folder(path):
    if os.path.exists(path):
        if os.path.isdir(path):
            shutil.rmtree(path)
        else:
            os.remove(path)
    os.mkdir(path)    
    
# 询问用户
def ask_user(string):
    while True:
        answer = raw_input(string)
        if answer == 'Y':
            return True
        elif answer == 'N':
            return False
        else:
            print '输入有误,请重新输入!'

# 创建根目录            
root_folder = '淘女郎'
create_folder(root_folder)

# 遍历每位淘女郎
url = 'https://mm.taobao.com/json/request_top_list.htm?page=1'
bs1 = BeautifulSoup(requests.get(url).text, 'lxml')
for top in bs1('p', 'top'):
    name = top.find('a').text
    age = top.find('em').text
    city = top.find('span').text
    user_id = top.find('span', 'friend-follow J_FriendFollow')['data-userid']
    print '发现一位美眉,她叫做%s,今年%s,住在%s,现在开始爬取她的个人页面……' % (name, age, city)
    
    # 以淘女郎的昵称新建文件夹
    mm_folder = '%s/%s' % (root_folder, name)
    create_folder(mm_folder)    
    
    # 获取淘女郎的个人资料并保存到文件
    url = 'https://mm.taobao.com/self/info/model_info_show.htm?user_id=' + user_id
    bs2 = BeautifulSoup(requests.get(url).text, 'lxml')
    base_info = bs2.find('ul', 'mm-p-info-cell clearfix')
    info_list = base_info('span')
    result = []
    result.append('昵称:' + info_list[0].text)
    result.append('生日:' + info_list[1].text.strip())
    result.append('所在城市:' + info_list[2].text)
    result.append('职业:' + info_list[3].text)
    result.append('血型:' + info_list[4].text)
    result.append('学校/专业:' + info_list[5].text)
    result.append('风格:' + info_list[6].text)
    result.append('身高:' + base_info.find('li', 'mm-p-small-cell mm-p-height').find('p').text)
    result.append('体重:' + base_info.find('li', 'mm-p-small-cell mm-p-weight').find('p').text)
    result.append('三围:' + base_info.find('li', 'mm-p-small-cell mm-p-size').find('p').text)
    result.append('罩杯:' + base_info.find('li', 'mm-p-small-cell mm-p-bar').find('p').text)
    result.append('鞋码:' + base_info.find('li', 'mm-p-small-cell mm-p-shose').find('p').text)
    print '资料收集完毕,正在保存她的个人资料……',
    filename = '%s/%s.txt' % (mm_folder, name)
    with open(filename, 'w') as f:
        f.write('\r\n'.join(result))
    print '保存完毕!'
    
    # 获取相册的总页数
    url = 'https://mm.taobao.com/self/album/open_album_list.htm?_charset=utf-8&user_id%20=' + user_id
    bs3 = BeautifulSoup(requests.get(url).text, 'lxml')
    album_total_page = int(bs3.find('input', id='J_Totalpage')['value'])
    
    # 遍历每一页
    for album_page in range(1, album_total_page + 1):
        url = 'https://mm.taobao.com/self/album/open_album_list.htm?_charset=utf-8&user_id%%20=%s&page=%d' % (user_id, album_page)
        bs3 = BeautifulSoup(requests.get(url).text, 'lxml')
        album_count = 1
        
        # 遍历每一个相册
        for album_area in bs3('div', 'mm-photo-cell-middle'):
            # 获取相册的链接、id、名称和照片数
            album_url = 'https:' + album_area.find('h4').find('a')['href']
            album_id = re.search(r'album_id=(\d+)', album_url).group(1)
            album_name = album_area.find('h4').find('a').text.strip()
            pic_num = album_area.find('span', 'mm-pic-number').text
            pic_num = re.search(r'\d+', pic_num).group(0)
            print '现在开始爬取她的第%d个相册,相册名为:《%s》(%s张)……' % (album_count, album_name, pic_num)
            
            # 根据照片数计算总页数
            total_page = int(pic_num) / 16 + 1            
            
            # 以相册名新建文件夹
            album_folder = '%s/%s' % (mm_folder, album_name)
            create_folder(album_folder)
            
            pic_count = 1
            # 遍历每一页
            for page in range(1, total_page + 1):
                url = 'https://mm.taobao.com/album/json/get_album_photo_list.htm?user_id=%s&album_id=%s&page=%s' % (user_id, album_id, page)
                json = requests.get(url).json()
                for pic in json['picList']:
                    print '现在开始下载该相册的第%d张照片……' % pic_count,
                    pic_url = 'https:' + pic['picUrl']
                    pic_url = re.sub(r'290', '620', pic_url)
                    filename = '%s/%s.jpg' % (album_folder, pic_count)
                    with open(filename, 'wb') as f:
                        f.write(requests.get(pic_url).content)
                    print '下载完毕!'
                    pic_count += 1
            if ask_user('该相册已经下载完毕,是否下载下一个相册?(Y/N)') == False:
                break
            album_count += 1
        if ask_user('当前页的相册已经下载完毕,是否下载下一页?(Y/N)') == False:
            break