内容简介:其实,本篇也是水文,写这篇的原因是,有同学问要源码,既然这与的话,就写一个吧;上文链接点这里,上文主要介绍这个网站反爬的策略,但是没想到居然有那么多同学看,受宠若惊;在写源码的时候,遇到一个坑,就是看到时间戳就默认是当前时间戳,结果自己坑自己了,详情请看下面介绍吧;
其实,本篇也是水文,写这篇的原因是,有同学问要源码,既然这与的话,就写一个吧;
上文链接点这里,上文主要介绍这个网站反爬的策略,但是没想到居然有那么多同学看,受宠若惊;
在写源码的时候,遇到一个坑,就是看到时间戳就默认是当前时间戳,结果自己坑自己了,详情请看下面介绍吧;
文章很短且很水,一分钟即可阅读完;
爬取思路
爬取网站地址点这里;
多次上滑,接口地址如下:
http://www.phizhub.com/phiz/get_phiz_list/?category=-1&page=1&last_time=0&page_size=40 http://www.phizhub.com/phiz/get_phiz_list/?category=-1&page=2&last_time=1551141631000&page_size=10 http://www.phizhub.com/phiz/get_phiz_list/?category=-1&page=3&last_time=1551138631000&page_size=10 http://www.phizhub.com/phiz/get_phiz_list/?category=-1&page=4&last_time=1551120032000&page_size=10 复制代码
首页这里,不停上滑,发现就是 page
跟 last_time
在变化; 一个是页码,一个是时间戳;
网站里面有不同的栏目,每个有什么不同?
多次尝试发现,不同栏目, category
会不一样,简单分析下,这个值不是按顺序固定的,好像没办法查?
从程序脚本,肯定是有地方处理的,比如 tabname=热门
,就返回 -1
的值,而且,必然是前端处理的,那一起找出来吧;
方法1:
还是老套路, F12,刷新整个页面
;
这里面就有一个叫 get_tabs
的接口,很明显了;
看吧,一目了然了;
方法2:
如果没有刷新这个页面,是不会发现第一种方法的,在一个页面里面切换不同的tab,是不会再请求 get_tabs
接口的;
这种时候,怎么办?没关系,一个一个看吧;
最终发现,在一个js文件里面有个叫 tabSelected
的函数,看上去就像有点关系,点击进入看看;
点击后进入的是上面的界面,好像没太多关系,简单滑动下?
啧啧啧,就在不远处,就看到这代码了;
这不就是我们想要的关系表吗?
手动整理下,如下;
栏目名称 | category值 |
---|---|
热门 | -1 |
动图 | 9 |
图片 | 4 |
美女 | 106 |
丘比龙 | 101 |
搞笑 | 104 |
恶搞 | 105 |
动漫 | 7 |
皮皮虾 | 107 |
熊本 | 102 |
熊猫人 | 5 |
行吧,再分析下json,获取image下的large或small即可;
然后就啪啪啪的撸码,结果发现,不管怎么爬,永远都是那40张,用postman看了下,的确发现接口每次返回都一模一样,如下:
这是第一次, page=1
;
这是第二次, page=2
,但是呢,url地址跟第一次的一模一样;
一开始以为是Bug,但是多次尝试跟看回代码,都没发现啥问题,那就重新正视那4个参数吧;
{'category': -1, 'page': '2', 'last_time': '1551398207276', 'page_size': '10'} 复制代码
categroy
是栏目分类, page
是页数, page_size
是请求图片的数据,唯独不知道 last_time
是什么;
而jb的代码里面, last_time
用的是时间戳;
重新看接口信息:
第一次请求: http://www.phizhub.com/phiz/get_phiz_list/?category=-1&page=1&last_time=0&page_size=40 上滑触发第二次请求: http://www.phizhub.com/phiz/get_phiz_list/?category=-1&page=2&last_time=1551402631000&page_size=40 复制代码
一开始看到 last_time
就是时间戳,就没细看,但是现在这个时间戳一看,不对啊,现在是11点,为啥显示9点?那就是说,这个时间戳并非是当前时间戳罗!
换句话说,这里面肯定是有逻辑吧,行吧,一起看看,还是老套路,看接口js,还是 get_data
这个,直接搜索 last_time
,行吧,逻辑都出来了;
看吧, last_time
就是用上一个接口的最后一个图片的 addtime
做标记,怪不得会有问题;
var last = photos[count - 1]; last_time = last.addtime; 复制代码
修改下代码看看效果吧~
过程输出:
源码:
由于是临时做的,很不智能,需要的同学二次封装下吧,先简单说说:
# 默认请求一次是40张图片,如果需要修改,找到下方代码直接修改数字即可; pz_params["page_size"] = "40" # 分类信息,默认热门,需要爬全部栏目,自己写个数组,for即可,为啥jb不写?因为懒; category = -1 # 这里是需要爬取的页数,一次40张; page_number = 5 # 图片下载目录,也可以不用管 dir = "phizhub/remen/" 复制代码
好吧,不墨迹,源码贴上:
#!/usr/bin/python3 # -*- coding: utf-8 -*- """ 爬取phizhub表情网站 """ import time import requests import hashlib import json import re import os # 首页链接 pz_index_url = "http://www.phizhub.com/" # 拼接接口地址 pz_url = pz_index_url+"phiz/get_phiz_list/" # 请求参数的last_time,第一次是0,后面用上一个接口最后一个图片的addtime做标记 last_time = 0; # 栏目信息,热门是-1,动图是9,图片是4,美女是106,丘比龙是101,搞笑是104,恶搞是105,动漫是7,皮皮虾是107,熊本是102,熊猫人是5 category = -1 # 请输入需要爬取的页数 page_number = 5 # 图片下载目录 dir = "phizhub/remen/" # 请求头,F12直接copy过来 pz_headers = { "Accept": "application/json, text/javascript, */*; q=0.01", "Accept-Encoding": "gzip, deflate", "Accept-Language": "zh-CN,zh;q=0.9", "Cache-Control": "no-cache", "Connection": "keep-alive", "Cookie": "SL_GWPT_Show_Hide_tmp=1; SL_wptGlobTipTmp=1; gr_user_id=42467006-4ec0-45f7-acdc-91e4060f2262; gr_session_id_a103dce5677f1b74=75095d47-6c68-4ee7-bf81-c2c6be3ece8e; Hm_lvt_fc3add2fc30f38259191ad30ff5813c9=1550714607; gr_session_id_a103dce5677f1b74_75095d47-6c68-4ee7-bf81-c2c6be3ece8e=true; Hm_lpvt_fc3add2fc30f38259191ad30ff5813c9=1550714675", "Host": "www.phizhub.com", "Pragma": "no-cache", "Referer": "http://www.phizhub.com/", "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36", "X-Requested-With": "XMLHttpRequest", "Content-Type": "application/x-www-form-urlencoded", "sss": "{sss}", "timestamp": "{timestamp}" } # body pz_params = { "category": category, "page": "{page}", "last_time": "{last_time}", "page_size": "{page_size}", } # 获取当前时间的13位时间戳 def get_millistime(): return str(round(time.time() * 1000)) # 获取sss的值,sss就是phizhub_abc_+当前13位时间戳拼接而成的md5 def get_sss(time): str = "phizhub_abc_"+ time return md5Encode(str) # 获取md5 def md5Encode(str): m = hashlib.md5() m.update(str.encode(encoding='utf-8')) return m.hexdigest() # 干活的地方 def start_job(i): global last_time; # 页码从1开始算 set_value(i) response = requests.get(pz_url, headers=pz_headers, params=pz_params, verify=False).json() # 获取data里面的数量,从而获取对应的图片链接 count = len(response["data"]) for page in range(count): print('正在下载图片:第%s/%s张,' % (page+1, count)) download_Image(response["data"][page]["image"]["large"]) if (page+1 == count): last_time = response["data"][page]["addtime"] # 下载图片 def download_Image(image_link): if not os.path.exists(dir): os.makedirs(dir) filename = get_ImageName(image_link) with open(dir + filename, 'wb') as f: # 以二进制写入的模式在本地构建新文件 header = { 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.32 Safari/537.36', 'Referer': "http://www.phizhub.com/"} f.write(requests.get(image_link, headers=header).content) # 获取文件名 def get_ImageName(text): # http://imagecloud.phizhub.com/1551016041657_b58b2935383a11e9b160186590e027b5.gif pattern = re.compile("http://imagecloud.phizhub.com/") text = re.sub(pattern, "", text) return text # 赋值 def set_value(i): # 赋值时间戳跟sss pz_params["page"] = str(i) time = get_millistime() pz_headers["timestamp"] = time pz_headers["sss"] = get_sss(time) pz_params["last_time"] = last_time pz_params["page_size"] = "40" if __name__ == '__main__': for i in range(1,page_number+1): print("现在爬第%s页" % i) start_job(i) 复制代码
小结
再次证明这是水文吧,没啥好总结的,就是看到时间戳别想当然是当前时间戳;
谢谢大家~
以上所述就是小编给大家介绍的《JB的Python之旅-爬取phizhub网站(源码)》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Eric Meyer on CSS
Eric Meyer / New Riders Press / 2002-7-8 / USD 55.00
There are several other books on the market that serve as in-depth technical guides or reference books for CSS. None, however, take a more hands-on approach and use practical examples to teach readers......一起来看看 《Eric Meyer on CSS》 这本书的介绍吧!