起
上次说了要爬知乎的图片，于是花了一下午的时间去完成这件事，发现暂时接触到的爬虫总是逃脱不了一个规律：
- 模拟登陆
- 获取真实网页HTML源代码
- 解析获取到的网页源代码
- 获取想要的资源(下载到某个文件夹或者输出到表格中整合起来)
也许和我说的有一些出入，应该是刚学这个东西的原因，接下来还想研究一下多线程爬虫、添加代理、爬取海量数据并整合成图标形式，先把能做的做了。
承
因为是在上一次的基础上进行的，所以没有看上一篇文章的可以先看一下，这里用到的工具跟之前一样：
- win7 64位 旗舰版
- Python 3.5 64-bit
- PyCharm
这里模拟登陆是跟之前一样的代码，直接贴就是：
logn_url = 'http://www.zhihu.com/#signin'
session = requests.session()
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36',
}
content = session.get(logn_url, headers=headers).content
soup = BeautifulSoup(content, 'html.parser')
def getxsrf():
return soup.find('input', attrs={'name': "_xsrf"})['value']
# 获取验证码
def get_captcha():
t = str(int(time.time() * 1000))
captcha_url = 'http://www.zhihu.com/captcha.gif?r=' + t + "&type=login"
r = session.get(captcha_url, headers=headers)
with open('captcha.jpg', 'wb') as f:
f.write(r.content)
f.close()
# 用pillow 的 Image 显示验证码
# 如果没有安装 pillow 到源代码所在的目录去找到验证码然后手动输入
try:
im = Image.open('captcha.jpg')
im.show()
im.close()
except:
print(u'请到 %s 目录找到captcha.jpg 手动输入' % os.path.abspath('captcha.jpg'))
captcha = input("please input the captcha\n>")
return captcha
def isLogin():
# 通过查看用户个人信息来判断是否已经登录
url = "https://www.zhihu.com/settings/profile"
login_code = session.get(url, allow_redirects=False).status_code
if int(x=login_code) == 200:
return True
else:
return False
def login(secret, account):
# 通过输入的用户名判断是否是手机号
if re.match(r"^1\d{10}$", account):
print("手机号登录 \n")
post_url = 'http://www.zhihu.com/login/phone_num'
postdata = {
'_xsrf': getxsrf(),
'password': secret,
'remember_me': 'true',
'phone_num': account,
}
else:
print("邮箱登录 \n")
post_url = 'http://www.zhihu.com/login/email'
postdata = {
'_xsrf': getxsrf(),
'password': secret,
'remember_me': 'true',
'email': account,
}
try:
# 不需要验证码直接登录成功
login_page = session.post(post_url, data=postdata, headers=headers)
login_code = login_page.text
print(login_page.status)
print(login_code)
except:
# 需要输入验证码后才能登录成功
postdata["captcha"] = get_captcha()
login_page = session.post(post_url, data=postdata, headers=headers)
login_code = eval(login_page.text)
print(login_code['msg'])
这里的代码来自GitHub上的fuck-login项目，在此表示感谢，我在原始代码上进行了改进，原始代码是适配了Python2.x和Python3.x，但是我学的是Python3.x所以去掉了一些我没用过的模块，也就是说我改进了后的代码是适用于Python3.x的。
下面就是准备获取图片了，先找一个目标，最近有一个问题很火：
还记得我列出来的步骤么，模拟登陆之后是获取真实的网页源代码，什么叫真实的，这个问题问得好，你没发现知乎很喜欢用动态加载技术么，也就是说，你看到的只是表象，这里也一样。
转
来，我们先点赞数最高的妹子上传的图片：
咳咳咳，好像跑偏了，我们的目标是星辰大海，正确的做法是鼠标右键查看网页源代码：
是不是看到了很多图片链接，当然我们要找.jpg、.jpeg、.png后缀的：
[站外图片上传中……(8)]
这里有两个：data-original和data-actualsrc，实际查看的图片是data-original的图片比data-actualsrc的大，下载下来也是如此，但是因为是使用正则去匹配规则，而data-original有多项，上面代码只是贴出来的一部分，实际匹配的结果类似这样：
data-actualsrc
data-actualsrc="https://pic2.zhimg.com/be7600989233bdf438e5ba23f2cdb685_b.jpg">
data-actualsrc="https://pic2.zhimg.com/b6274542f3785c27ab4a38d4db906efd_b.jpg">
data-original
data-original="https://pic2.zhimg.com/be7600989233bdf438e5ba23f2cdb685_r.jpg">
data-original="https://pic2.zhimg.com/be7600989233bdf438e5ba23f2cdb685_r.jpg" data-actualsrc="https://pic2.zhimg.com/be7600989233bdf438e5ba23f2cdb685_b.jpg">
data-original="https://pic2.zhimg.com/b6274542f3785c27ab4a38d4db906efd_r.jpg">
data-original="https://pic2.zhimg.com/b6274542f3785c27ab4a38d4db906efd_r.jpg" data-actualsrc="https://pic2.zhimg.com/b6274542f3785c27ab4a38d4db906efd_b.jpg">
data-original="https://pic2.zhimg.com/0930549116d22ffce22e98c32683d621_r.jpg">
这是在同一段网页源码测试下的结果，匹配后一种会得到多个相同的url地址，解析起来也更麻烦，这也跟正则写的简单有关系，有兴趣的可以到时候自己修改一下正则表达式，这样下下来的图片也更高清的多。
分析了正则，下面要获取所有的图片该分析Chrome开发者面板的Post数据，因为知乎默认只显示部分回答，我们可以不断往下拉，直到看到这个：
点击的时候注意观察开发者面板：
简直完美，传递的数据：
method:next
params:{"url_token":37709992,"pagesize":10,"offset":30}
很眼熟，url_token就是问题后面那串数字：
https://www.zhihu.com/question/37709992
pagesize是固定的10，最后一个offset偏移量同样很好理解，这里显示10应该说的就是默认显示的10个答案，后面还查看到如下数据：
method:next
params:{"url_token":37709992,"pagesize":10,"offset":20}
method:next
params:{"url_token":37709992,"pagesize":10,"offset":30}
也就是说我们在浏览器上每翻过10个答案浏览器就会向服务器发送Post请求在加载十个答案，恩差不多可以开始写代码了。
合
模拟登陆之后的操作是找到Post的真实地址模拟浏览器向服务器发送请求：
url = 'https://www.zhihu.com/node/QuestionAnswerListV2'
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.82 Safari/537.36',
'Referer': 'https://www.zhihu.com/question/37709992',
'Origin': 'https://www.zhihu.com',
'Accept-Encoding': 'gzip, deflate, br',
}
data = {
'method': 'next',
'params': '{"url_token":' + str(37709992) + ',"pagesize": "10",' + \
'"offset":' + str(offset) + "}",
'_xsrf': getxsrf(),
}
注意
发送Post请求时候请加上'_xsrf': getxsrf()这一行，否则的话返回的只会是404 Forbidden，应该是做了防伪登陆的缘故
然后是写正则，这里发现图片都是被包含在这里面：
<div class="zm-editable-content clearfix">
...
...
</div>
所以先匹配到这一大串内容：
pattern = re.compile('<a class="author-link".*?<span title=.*?<div class="zh-summary.*?' +
'<div class="zm-editable-content.*?>(.*?)</div>', re.S)
然后在匹配data-actualsrc里面的图片链接：
pattern = re.compile('data-actualsrc="(.*?)">', re.S)
还有一点要注意的是我们请求之后返回来的是json格式的数据，所以这里还要用到json模块：
question = session.post(url, headers=header, data=data)
dic = json.loads(question.content.decode('ISO-8859-1'))
li = dic['msg'][0]
然后对其进行解析：
# 这里使用的是第一个正则表达式
items = re.findall(pattern, li)
# 接下来
items = re.findall(pattern, li)
# 存储图片链接
imagesurl = []
pattern = re.compile('data-actualsrc="(.*?)">', re.S)
for item in items:
urls = re.findall(pattern, item)
imagesurl.extend(urls)
执行下载操作：
# 存放图片的地址
PWD = "D:/work/python/zhihu/"
for url in imagesurl:
myurl = url
filename = PWD + str(count) + '.jpg'
if os.path.isfile(filename):
print("文件存在：", filename)
count += 1
continue
else:
# 执行下载操作的方法
downpic(filename, myurl)
count += 1
photoNum += 1
print("一共下载了{0} 张照片".format(photoNum))
if not os.path.exists(PWD):
os.makedirs(PWD)
# 递归调用
change(offset, count, photoNum)
# downpic方法源码
def downpic(filename, url):
print("正在下载 " + url)
try:
r = requests.get(url, stream=True)
with open(filename, 'wb') as fd:
for chunk in r.iter_content():
fd.write(chunk)
except Exception as e:
print("下载失败了", e)
运行结果
这只是一部分，我之前下了四五百张还在下~当然这是后话，感觉现在写的东西都很简单，希望下一次能写出难一点的东西出来。
这里正则部分参考了这里：
最后是源码
源码中注释部分只能下载前十个答案里包含的图片的方法，还有一些想法未完成，本来是想打印一下正在下载哪个答主的回答，然后把图片分别保存到相应的单独文件夹，实现起来有点麻烦就没去搞，仅供参考。
亲测如果需要下载另一个问题的答案，只需要在:
data = {
'method': 'next',
'params': '{"url_token":' + str(37709992) + ',"pagesize": "10",' + \
'"offset":' + str(offset) + "}",
'_xsrf': getxsrf(),
}
更换那串数字就行，就好比这样的形式：
但是这种形式的把数字换上去不起效：
这个好像是知乎热门问答的链接形式，暂时没有深究
最后，觉得写得不错的可以关注一下我的公众号呀~蟹蟹
