【爬虫实战】02 使用Ajax爬取百度图片

阿欣Python与机器学习
188 阅读4分钟

【爬虫实战】02 使用Ajax爬取百度图片

Ajax介绍

Ajax，全称为 Asynchronous JavaScript and XML，即异步的 JavaScript 和 XML。它不是一门编程语言，而是利用 JavaScript 在保证页面不被刷新、页面链接不改变的情况下与服务器交换数据并更新部分网页的技术。

对于传统的网页，如果想更新其内容，那么必须要刷新整个页面，但有了 Ajax，便可以在页面不被全部刷新的情况下更新其内容。在这个过程中，页面实际上是在后台与服务器进行了数据交互，获取到数据之后，再利用 JavaScript 改变网页，这样网页内容就会更新了。

基础原理

初步了解了 Ajax 之后，我们再来详细了解它的基本原理。发送 Ajax 请求到网页更新的这个过程可以简单分为以下 3 步：

1、发送请求

2、解析内容

3、渲染网页

这 3 个步骤其实都是由 JavaScript 完成的，它完成了整个请求、解析和渲染的过程 。

Ajax分析

查看请求，我们使用Edge浏览器进入，搜索小猫图片的页面：image.baidu.com/search/inde… 打开开发者工具，打开Network，勾选XHR其中Ajax请求一般的类型便是xhr，然后刷新页面，可以看到如下请求：

点击预览，可以查看到请求返回的一些参数，其中便包含图片的URL地址

image-20240807210449664

到现在为止，我们已经可以分析出 Ajax 请求的一些详细信息了，接下来只需要用程序模拟这些 Ajax 请求，就可以轻松提取我们所需要的信息了。

设置请求参数

在用程序发送请求的过程中，我们尽量把程序模拟的像人在操作，这样被网站拦截的几率大大降低。

第一步设置请求头，我们所设置的参数，均来自，分析ajax请求时所发送的参数。

image-20240807210914164

设置请求头

# 导入所需库
import requests
# 设置请求头
headers = {
        'Connection': 'keep-alive',
        'sec-ch-ua': '"Not)A;Brand";v="99", "Microsoft Edge";v="127", "Chromium";v="127"',
        'Accept': 'text/plain, */*; q=0.01',
        'X-Requested-With': 'XMLHttpRequest',
        'sec-ch-ua-mobile': '?0',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36 Edg/127.0.0.0',
        'sec-ch-ua-platform': '"Windows"',
        'Sec-Fetch-Site': 'same-origin',
        'Sec-Fetch-Mode': 'cors',
        'Sec-Fetch-Dest': 'empty',
        'Referer': 'https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=&st=-1&fm=result&fr=&sf=1&fmq=1722912244742_R&pv=&ic=0&nc=1&z=&hd=&latest=&copyright=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&dyTabStr=&ie=utf-8&sid=&word=%E5%B0%8F%E7%8C%AB',
        'Accept-Language': 'en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7',
}

设置cookie

image-20240807211001056

既然是给网站后端发送请求，那必然要携带一些参数。因此需要在设置一下param

image-20240807211134775

设置请求参数，请发送请求

# 设置请求参数
keywords="小猫"
page=30
params=(
        ('tn','resultjson_com'),
        ('logid','11415579644838063109'),
        ('ipn','rj'),
        ('ct','201326592'),
        ('is',''),
        ('fp','result'),
        ('fr',''),
        ('word',f'{keywords}'),
        ('queryWord',f'{keywords}'),
        ('cl','2'),
        ('lm',''),
        ('ie','utf-8'),
        ('oe','utf-8'),
        ('adpicid',''),
        ('st','-1'),
        ('z',''),
        ('ic','0'),
        ('hd',''),
        ('latest',''),
        ('copyright',''),
        ('s',''),
        ('se',''),
        ('tab',''),
        ('width',''),
        ('height',''),
        ('face','0'),
        ('istype','2'),
        ('qc',''),
        ('nc','1'),
        ('expermode',''),
        ('nojc',''),
        ('isAsync',''),
        ('pn',f'{page}'),
        ('rn','30'),
        ('gsm','5a'),
        ('1722915752936',''),
)
response = requests.get('https://image.baidu.com/search/acjson', headers=headers, params=params, cookies=cookies)
if response.status_code == 200:
    print(response.text)

成功获取了当前页的数据，接下来我们只需要更换page参数，便可以获得该关键词下的所有参数。

image-20240807211244620

封装为函数循环爬取

函数会根据关键词进行爬取，并且设置了爬取图片个数限制。

import os
from tqdm import tqdm
import time
​
import warnings
warnings.filterwarnings("ignore")
​
def craw_single_keyword(keyword,download_num=200):
    if os.path.exists("Img/"+keyword):
        print("文件夹{}已存在,爬取的图片将保存在该文件夹中".format(keyword))
    else:
        os.mkdir("Img/{}".format(keyword))
    count=1
    with tqdm(total=download_num, position=0, leave=True) as pbar:
        num=0
        flag=True
        while flag:
            page=30*count
            params=(
                ('tn','resultjson_com'),
                ('logid','11415579644838063109'),
                ('ipn','rj'),
                ('ct','201326592'),
                ('is',''),
                ('fp','result'),
                ('fr',''),
                ('word',f'{keyword}'),
                ('queryWord',f'{keyword}'),
                ('cl','2'),
                ('lm',''),
                ('ie','utf-8'),
                ('oe','utf-8'),
                ('adpicid',''),
                ('st','-1'),
                ('z',''),
                ('ic','0'),
                ('hd',''),
                ('latest',''),
                ('copyright',''),
                ('s',''),
                ('se',''),
                ('tab',''),
                ('width',''),
                ('height',''),
                ('face','0'),
                ('istype','2'),
                ('qc',''),
                ('nc','1'),
                ('expermode',''),
                ('nojc',''),
                ('isAsync',''),
                ('pn',f'{page}'),
                ('rn','30'),
                ('gsm','5a'),
                ('1722915752936',''),
            )
            response = requests.get('https://image.baidu.com/search/acjson', headers=headers, params=params, cookies=cookies)
            if response.status_code == 200:
                json_data = response.json().get("data")
                if json_data:
                    for x in json_data:
                        type = x.get("type")
                        if type not in ["gif"]:
                            img = x.get("thumbURL")
                            fromPageTitleEnc = x.get("fromPageTitleEnc")
                            try:
                                resp = requests.get(url=img, verify=False)
                                time.sleep(1)
                                file_save_path = f'Img/{keyword}/{num}.{type}'
                                with open(file_save_path, 'wb') as f:                                    
                                    f.write(resp.content)
                                    f.flush()
                                    num += 1
                                    pbar.update(1) # 进度条更新
                                if num >= download_num:
                                    flag = False
                                    print('{} 张图像爬取完毕'.format(num))
                                    break
                            except Exception as e:
                                print(e)
            count+=1
​

检查爬取结果

执行函数

craw_single_keyword('长颈鹿', download_num = 10)

image-20240807211442191

创作不易，关注GZH【阿欣python与机器学习】，发送【爬虫】获取全部代码！

欢迎交流讨论，共同进步！

avatar
文章
阅读
粉丝