本文共 6293 字，大约阅读时间需要 20 分钟。

获取网页的信息

使用reques中的get

为了不让服务器把我们的爬虫当成机器人，我们要写一个请求头 用chrome打开百度，搜索猫的图片 然后打开这个界面 打开方式有三种：

1. 按F12
2. 鼠标右键，点击检查
3. ctrl + shift +i

我的chrome使用了一个黑色主题，所以打开后是黑色的，一般默认为白色

依次点击NetWork—XHR 由于百度图片使用了Ajax交互，只有在你下拉滚轮的时候才会显示出更多的图片，所以我们需要下拉几次滚轮 Ajax交互是一种动态的交互网页，只有在你做出向下滚动之类的操作，网页上的资源才会加载出来，并且随时需要随时加载。

可以看到，此时多出了一些内容

点开其中一个资源，点开preview，可以看到一个data 点开data，可以看到下面有编号从0到29的30个内容 我们随便点开一个，可以看到一个末尾是jpg的url 我们复制这个url，在地址栏输入，并打开，可以看到一张与猫有关的图片 找到了我们要爬取资源的规律，就可以来编写爬虫代码了

打开pycharm，新建一个文件，将requests导入

先写一个小函数，用来获取网页

def get_html(url):    html = requests.get(url)    print(html.status_code)

根据第零篇文章可知，status_code，也就是状态码，为200时，表示我们可以正常访问

接着，我们在主函数中写下刚才网站的url url在headers中获取

if __name__ == '__main__':    url = 'http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E7%8C' \          '%AB&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&word=%E7%8C%AB&s=&se=&tab' \          '=&width=&height=&face=&istype=&qc=&nc=1&fr=&expermode=&force=&pn=30&rn=30&gsm=1e&1581725024787= '    get_html(url)

然后点击main旁边的绿三角运行

可以看到，输出了200，表示我们访问成功 我们想要下载的图片的url在data里，所以我们要读取data中的数据。 这里网页上的代码是json代码，与python中的字典很相似，所以我们可以使用python中字典的方式获取json中的元素。

result = html.json()['data']

这里调用了requests中的json函数，不过requests是一个第三方的库，这里更推荐官方给出的json库，所以这里我们导入一个json，并把这句改写一下

result = json.loads(html.text)['data']

这样，我们就可以用一个for循环进行遍历，将图片的url都获取下来。 与图片有关的url有好几个，我们可以选择其中一个即可 这样，我们就写好了获取图片url的函数

def get_html(url):    html = requests.get(url, headers=headers)    result = json.loads(html.text)['data']    for i in result:        if i:            print(i['thumbURL'])

点开一个链接，我们便可以看到图片 下一步就是要下载这些图片了 还记得我们之前在主函数中写的url吗 那个url下面只有30张图片，所以我们要把url重新写一下 我们下拉网页，可以看到这里出现了很多长得非常像的url 我们把这些url都复制下来，分析一下

'http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E7%8C%AB&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&word=%E7%8C%AB&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&fr=&expermode=&force=&pn=30&rn=30&gsm=1e&1581725024787=''http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E7%8C%AB&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&word=%E7%8C%AB&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&fr=&expermode=&force=&pn=60&rn=30&gsm=3c&1581725025100=''http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E7%8C%AB&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&word=%E7%8C%AB&s=&se=&tab=&width=&height=&face=&istype=&qc=&nc=1&fr=&expermode=&force=&pn=90&rn=30&gsm=5a&1581729618142='

通过分析我们可以看到，pn这一个参数以每30为间隔增长，那么，获取图片最主要的就是靠pn这个参数了。

所以，我们对url进行一下改写，每次改变pn的值，并且每次增加30

url = ['http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E7%8C' \           '%AB&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&word=%E7%8C%AB&s=&se=&tab' \           '=&width=&height=&face=&istype=&qc=&nc=1&fr=&expermode=&force=&pn={}&rn=30&gsm=1e&1581725024787= '.format(i)           for i in range(30, 100, 30)]

将url改写为一个列表，并且每次让pn后面的值增加30

这样，我们就可以一下获取90个图片的url

接下来是下载。

在与代码相同的目录下面，新建一个名为img的文件夹 为了给下载的图片进行重命名，我们可以使用一个叫uuid的库，它可以生成随机数

def download(url):    img = requests.get(url)    with open('img/{}.jpg'.format(uuid.uuid4()), 'wb') as f:        chunks = img.iter_content(123)        for c in chunks:            if c:                f.write(c)

iter_content里面填的是字节大小，可以控制读写速度，减轻cpu的压力

再在get_html里调用download 运行，我们便可以看到图片被下载下来了 但是我们发现，这个图片打不开 事实上，这是因为服务器识别出了你的爬虫，阻止了它的下载行为 那么，我们如何绕过这个识别呢？ 只要我们把爬虫伪装成人就可以了 正常我们是通过浏览器访问网站的，浏览器在向网站发送get请求的时候，会同时发送一个请求头 这个request headers 我们只要在get的时候，发送和浏览器一样的请求头就可以了。 我们需要的主要是三个参数 refeter表示请求的来源，我是从哪个链接来到这个链接的 User-Agent是浏览器的标识 X-Requested-With是让服务器识别是Ajax请求还是普通的请求 将这个三个参数，写进一个字典即可

headers = {       'X-Requested-With': 'XMLHttpRequest',    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.106 Safari/537.36',    'Referer': 'http://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=%E7%8C%AB'}

然后，在两个函数的get中引headers

这时，我们在运行，就可以发现我们成功下载下来图片了可以开始吸猫了

还没完，别急着走！

在编写的过程中，我们每个get里都要引用headers，能不能少写一点代码？

能！ requests中有一个session()，它可以帮我们保存headers 它还有两个好处，那就是维持会话，以及自动保存cookies 所以，我们改写一下代码

session = requests.session()session.headers = headers

然后，把后面函数中的requests换成session，并把headers引用删掉

在获取页面的时候，有可能它的data下面没有数据，这时候就会报错导致程序停止运行，所以我们加一个try

def get_html(url):    html = session.get(url)    try:        result = json.loads(html.text)['data']        for i in result:            if i:                print(i['thumbURL'])                download(i['thumbURL'])    except Exception as e:        print(e)

运行

requests中除了可以加请求头，还可以加代理ip 代理的获取可以百度搜“快代理”和“西刺代理” 同样将代理以字典的形式写下来，然后在session里引用即可

proxy = {       'http': 'http://106.52.185.57:8080',    'https': 'https://106.52.185.57:8080'}

不过，在使用代理的过程中，如果代理失效的话，就会造成无法访问，从而使程序卡在这，所以，需要写一个超时跳过

在前面加上

session.timeout = 3

表示超时3秒就自动放弃

完整代码

import requestsimport jsonimport uuidheaders = {       'X-Requested-With': 'XMLHttpRequest',    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.106 Safari/537.36',    'Referer': 'http://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=%E7%8C%AB'}session = requests.session()session.headers = headersdef download(url):    img = session.get(url)    with open('img/{}.jpg'.format(uuid.uuid4()), 'wb') as f:        chunks = img.iter_content(123)        for c in chunks:            if c:                f.write(c)def get_html(url):    html = session.get(url)    try:        result = json.loads(html.text)['data']        for i in result:            if i:                print(i['thumbURL'])                download(i['thumbURL'])    except Exception as e:        print(e)if __name__ == '__main__':    url = ['http://image.baidu.com/search/acjson?tn=resultjson_com&ipn=rj&ct=201326592&is=&fp=result&queryWord=%E7%8C' \           '%AB&cl=2&lm=-1&ie=utf-8&oe=utf-8&adpicid=&st=&z=&ic=&hd=&latest=&copyright=&word=%E7%8C%AB&s=&se=&tab' \           '=&width=&height=&face=&istype=&qc=&nc=1&fr=&expermode=&force=&pn={}&rn=30&gsm=1e&1581725024787= '.format(i)           for i in range(30, 100, 30)]    for i in url:        get_html(i)