2019年03月01日阅读 63

JB的Python之旅-爬取phizhub网站（源码）

前言

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~