很多同学问我:“我非常想学Python编程,但是找不到兴趣点”。 还有的同学呢,找到了很好的兴趣点,但是无从下手,“玄魂老师,我想下载tumblr上的视频, 怎么下载,Python能实现吗?你懂得(这里有一个淫笑的表情)”。
好吧,我表示对他所要表达的意思秒懂了,宅男都喜欢看别人开车。今天本人姑且装一把老司机, 带大家来分析下如何下载tumblr上的图片和视频。请大家准备好纸巾,哦不,是准备好开发工具, 我们开始写代码。
下载一个站点上的图片和视频,无非就是写一个简易的爬虫,这里我不去使用现有的爬虫框架, 也可以很容易的完成任务。编写指定页面的爬虫,需要对目标页面的HTML结构进行分析,如果 是AJAX请求,需要进行多次的请求分析;如果存在身份验证,则要进一步处理Cookie等数据。一般的 爬虫的基本结构如下图:
即使编写一个最小的爬虫,我们也要有一个任务调度器,用来生成任务条目到队列中, 针对不同的任务类型,要编写不同的下载器。不考虑分布式部署的情况下,每一个下载器(Downloader) 应该在一个线程中执行任务。今天我们的要编写的爬虫略微简单,考虑到入门级同学,过多的 概念就不介绍了,以免发蒙。
如果你还不知道Tumblr是什么的话,请百度。 Tumblr(中文名:汤博乐) 成立于2007年,是目前全球最大的轻博客网站,也是轻博客网站的始祖。Tumblr(汤博乐)是一种介于传统博客和微博之间的全新媒体形态,既注重表达,又注重社交,而且注重个性化设置,成为当前最受年轻人欢迎的社交网站之一。雅虎公司董事会2013年5月19日决定,以11亿美元收购Tumblr。 这是一个高大上的网站,很多设计师,动图爱好者的聚集地。不过目前需要FQ访问。
下面我们来看一下tumblr的个人空间。
如图,每个tumblr的个人空间都是一个二级域名,你甚至可以绑定你自己的域名。在个人主页上, 是一个微博式的消息列表,有文字,图片,视频等形式。消息的展现,是页面上的JavaScript脚本 通过请求Tumblr的Api来获取返回信息,然后添加到页面上的。通过API,可以省掉很多麻烦,至少 我们不必分析整个页面的html来提取需要的信息了。
下面我们看一下接口:
上面的代码是一个接口模板,第一个参数是要访问的用户空间的用户名;第二个参数是媒体类型, 图片为“photo”,视频为“video”;第三个参数为请求的资源数;第四个参数为从第几个资源开始 请求。 下面我们构造一个photo的请求,看看返回的数据是什么样的。
我们看到返回的数据是XML格式的数据,基本的层级为Tumblr>posts>post。图片的URL在post的photo-url字段中,视频与此类似,就不再演示了。 获取到媒体资源的url之后,就可以进行下载了。
我们再构造一个video类型的请求。
video类型的资源的url,需要从player属性中进行进一步匹配才能得出最后的结果。
在具体编码之前,我们需要对可能遇到的技术难点进行一个评估,并找到解决方案。
这里推荐 request模块(https://pypi.python.org/pypi/requests/)。在我们要实现的功能 中,直接使用request模块的get方法就可以了。
使用request模块发送并接收数据之后,要处理返回的XML数据,因为我们只需要获取photo-uri字段的 值就可以了,所以这里推荐使用xmltodict模块(https://pypi.python.org/pypi/xmltodict)。 xmltodic模块,将xml文档处理成类似Json对象,方便我们对数据进行访问。
python中自带Queue模块,可以满足我们目前的队列需求,由于python2.7和python3.0中 对queue模块的命名进行的变更,编程的时候需要注意。如果考虑兼容两个版本的话,可以 考虑引入six模块(https://pypi.python.org/pypi/six)。six模块是一个专门用于解决 从python2.x到python3.x的兼容性问题的模块,它对python版本变更导致到部分模块不能应用的问题 进行了内部处理,需要处理类似兼容问题的时候,可以考虑或者参考该模块的实现方式。
关于Python多线程,请自行搜索相关文章进行学习,例子很多,这里就不详细说明了。
考虑到Tumblr需要FQ访问,如果本机不使用V**的话,可能需要配置代理,代理采用json配置方式。 处理.使用python内置的json模块(https://docs.python.org/2/library/json.html)就可以了。
为了精确匹配url信息,我们需要使用正则表达式对xml数据的中字段值进行进一步处理,使用 内置的re模块(https://docs.python.org/2/library/re.html)就可以了。
通过上面的分析,我们编写一个下载Tumblr图片和视频的简易爬虫已经没有技术障碍了,下面 我们搭建基本框架。
以下代码非玄魂原创,参考自https://github.com/dixudx/tumblr-crawler,做了部分修改
1 # 设置请求超时时间
2 TIMEOUT = 10
3
4 # 尝试次数
5 RETRY = 5
6
7 # 分页请求的起始点
8 START = 0
9
10 # 每页请求个数
11 MEDIA_NUM = 50
12
13 # 并发线程数
14 THREADS = 10
15
16 # 是否下载图片
17 ISDOWNLOADIMG=True
18
19 #是否下载视频
20 ISDOWNLOADVIDEO=True
21
22 #任务执行类
23 class DownloadWorker(Thread):
24 def __init__(self, queue, proxies=None):
25 Thread.__init__(self)
26 self.queue = queue
27 self.proxies = proxies
28
29 def run(self):
30 while True:
31 medium_type, post, target_folder = self.queue.get()
32 self.download(medium_type, post, target_folder)
33 self.queue.task_done()
34
35 def download(self, medium_type, post, target_folder):
36 pass
37
38 def _handle_medium_url(self, medium_type, post):
39 pass
40
41 def _download(self, medium_type, medium_url, target_folder):
42 pass
43
44 #调度类
45 class CrawlerScheduler(object):
46
47 def __init__(self, sites, proxies=None):
48 self.sites = sites
49 self.proxies = proxies
50 self.queue = Queue.Queue()
51 self.scheduling()
52
53 def scheduling(self):
54 pass
55
56
57
58 def download_videos(self, site):
59 pass
60
61 def download_photos(self, site):
62 pass
63
64 def _download_media(self, site, medium_type, start):
65 pass
66
67 #程序入口
68 #初始化配置
首先,我们定义了一些全局变量,看注释就明白用途了,不做过多解释。
现在看上面的类和方法的定义。DownloadWorker类,执行具体的下载任务,因为每个下载任务 要在单独的线程中完成,所以我们将DownloadWorker类继承Thread类。DownloadWorker接收从CrawlerScheduler 传递过来的Queue,它会从queue中请求任务来执行。同时如果用户配置了代理,在执行http请求的时候会使用代理。 run方法是线程启动方法,它会不停的从queue中请求任务,执行任务。download方法,首先调用_handle_medium_url 方法,获取当前任务的url,然后调用_download方法执行具体的下载任务。
CrawlerScheduler类,根据配置中需要处理的用户名,创建任务队列,初始化任务线程,启动线程执行任务。 scheduling方法,创建并启动工作线程,然后调用download_videos和download_photos方法。 download_videos和download_photos方法分别调用_download_media方法,创建具体的任务队列。_download_media 方法,首先根据传入的site创建对应的本地文件夹,然后请求Tumblr的接口,获取用户所有的图片或者视频数据压入队列。
除了上面的核心方法之外,我们创建两个配置文件proxies.json和sites.txt文件。proxies.json用来配置 代理,默认为空。
{}
可以根据你使用的代理,进行具体的配置,比如:
{ "http": "http://10.10.1.10:3128", "https": "127.0.0.1:8787"}
或者
{ "http": "socks5://user:pass@host:port", "https": "socks5://127.0.0.1:1080"}
sites.txt文件用来配置我们要请求的用户空间,只需要配置用户名即可,例如:
want2580,luoli-qaq
这里大家使用最新的python版本就可以了,安装Python的时候一定要将pip一同安装。 根据1.2节的分析,我们需要安装如下模块:
requests>=2.10.0 xmltodict six PySocks>=1.5.6
为了方便,可以将这些依赖放到一个requirements.txt文件中。
然后执行命令:
pip install -r requirements.txt
基本环境准备完毕之后,在具体实现逻辑之前先引入依赖的模块。
# -*- coding: utf-8 -*-import osimport sysimport requestsimport xmltodictfrom six.moves import queue as Queuefrom threading import Threadimport reimport json
下面我们先来完善CrawlerScheduler类的scheduling方法。
def scheduling(self): # 创建工作线程
for x in range(THREADS):
worker = DownloadWorker(self.queue,
proxies=self.proxies) #设置daemon属性,保证主线程在任何情况下可以退出
worker.daemon = True
worker.start() for site in self.sites: if ISDOWNLOADIMG:
self.download_photos(site) if ISDOWNLOADVIDEO:
self.download_videos(site)
根据全局变量THREADS定义的最大线程数,创建DownloadWorker对象,并调用start方法,启动线程。 接下来根据传入的sites,循环调用download_photos和download_videos方法。下面我们看download_photos和download_videos方法 的实现。
def download_videos(self, site):
self._download_media(site, "video", START) # 等待queue处理完一个用户的所有请求任务项 self.queue.join() print("视频下载完成 %s" % site) def download_photos(self, site):
self._download_media(site, "photo", START) # 等待queue处理完一个用户的所有请求任务项 self.queue.join() print("图片下载完成 %s" % site)
这两个方法,只是调用了_download_media方法,传入各自的类型,和分页请求的其实索引值,目前都是从0开始。 下面看核心的_download_media方法。
def _download_media(self, site, medium_type, start): #创建存储目录
current_folder = os.getcwd()
target_folder = os.path.join(current_folder, site) if not os.path.isdir(target_folder):
os.mkdir(target_folder)
base_url = "http://{0}.tumblr.com/api/read?type={1}&num={2}&start={3}"
start = START while True:
media_url = base_url.format(site, medium_type, MEDIA_NUM, start)
response = requests.get(media_url,
proxies=self.proxies)
data = xmltodict.parse(response.content) try:
posts = data["tumblr"]["posts"]["post"] for post in posts: # select the largest resolution
# usually in the first element self.queue.put((medium_type, post, target_folder))
start += MEDIA_NUM except KeyError: break
_download_media方法,会在当前程序执行目录创建以用户名命名的子文件夹,用来存储图片和视频文件。这里 使用os.getcwd()来获取当前程序执行的觉得路径,然后通过os.path.join(current_folder, site)构造目标文件夹 路径,通过os.path.isdir(target_folder)来判断是否已经存在该文件夹,如果没有则通过os.mkdir(target_folder) 创建文件夹。
接下来,_download_media方法循环进行分页请求,来获取图片或视频资源信息。通过requests.get(media_url,proxies=self.proxies) 发送http get请求,通过response.content获取返回的数据,然后利用xmltodict.parse(response.content)来 反序列化xml数据到data对象。调用 data["tumblr"]["posts"]["post"],获取当前返回数据中的所有媒体资源。 然后循环调用self.queue.put((medium_type, post, target_folder))方法,将每一个post字段压入队列。此时压入队列的post包含了 一个图片或者视频的各项数据,需要在worker线程执行的时候进一步处理才能得到具体的url,后面我们继续分析。
scheduling类的实现已经完成了,在scheduling类的scheduling方法中启动了线程,每个worker对象的run方法 都会执行。
def run(self): while True:
medium_type, post, target_folder = self.queue.get()
self.download(medium_type, post, target_folder)
self.queue.task_done()
run 方法,通过self.queue.get()方法,从任务队列中获取一条任务,每个任务包含媒体类型(图片或则视频), 每个媒体的post信息以及下载文件保存的目标文件夹。run方法将这些信息传入download方法。
def download(self, medium_type, post, target_folder): try:
medium_url = self._handle_medium_url(medium_type, post) if medium_url is not None:
self._download(medium_type, medium_url, target_folder) except TypeError: pass
download方法首先通过_handle_medium_url方法获取具体的资源的url,然后调用_download执行下载。
def _handle_medium_url(self, medium_type, post): try: if medium_type == "photo": return post["photo-url"][0]["#text"] if medium_type == "video":
video_player = post["video-player"][1]["#text"]
hd_pattern = re.compile(r'.*"hdUrl":("([^\s,]*)"|false),')
hd_match = hd_pattern.match(video_player) try: if hd_match is not None and hd_match.group(1) != 'false': return hd_match.group(2).replace('\\', '') except IndexError: pass
pattern = re.compile(r'.*src="(\S*)" ', re.DOTALL)
match = pattern.match(video_player) if match is not None: try: return match.group(1) except IndexError: return None except: raise TypeError("找不到正确的下载URL "
"请到 "
"https://github.com/xuanhun/tumblr-crawler"
"提交错误信息:\n\n"
"%s" % post)
_handle_medium_url方法,根据媒体的不同采用了不同的资源获取方法。不过获取图片的方法这里还是有缺陷的, 因为用户在一个post中可能会发送一组图片,目前的方法只处理了第一张图片。如果是视频,先取出video-player 的文本内容,然后通过正则表达式匹配出视频的url,具体匹配原理,你只要参考视频请求返回的xml内容就明白了, 这里就不详细分析了。下面我们看如何下载资源。
def _download(self, medium_type, medium_url, target_folder):
medium_name = medium_url.split("/")[-1].split("?")[0] if medium_type == "video": if not medium_name.startswith("tumblr"):
medium_name = "_".join([medium_url.split("/")[-2],
medium_name])
medium_name += ".mp4"
file_path = os.path.join(target_folder, medium_name) if not os.path.isfile(file_path): print("Downloading %s from %s.\n" % (medium_name,
medium_url))
retry_times = 0 while retry_times < RETRY: try:
resp = requests.get(medium_url,
stream=True,
proxies=self.proxies,
timeout=TIMEOUT)
with open(file_path, 'wb') as fh: for chunk in resp.iter_content(chunk_size=1024):
fh.write(chunk) break
except: # try again
pass
retry_times += 1 else: try:
os.remove(file_path) except OSError: pass
print("Failed to retrieve %s from %s.\n" % (medium_type,
medium_url))
_download方法先构造存储文件的路径,如果文件存在则不再反复下载,这样可以保证在下载出现错误的情况下, 我们可以手动重启程序,多次下载。通过
resp = requests.get(medium_url,
stream=True,
proxies=self.proxies,
timeout=TIMEOUT)
发送get请求,获取流数据,然后每次从流中请求1024bit数据写入磁盘,直到流结束为止:
with open(file_path, 'wb') as fh:
for chunk in resp.iter_content(chunk_size=1024):
fh.write(chunk)
至此所有核心代码都完善完毕,是不是很简单呢?确实很简单,这就是Python的强大之处。最后我们完善下程序的入口。
def usage(): print(u"未找到sites.txt文件,请创建.\n"
u"请在文件中指定Tumblr站点名,并以逗号分割,不要有空格.\n"
u"保存文件并重试.\n\n"
u"例子: site1,site2\n\n"
u"或者直接使用命令行参数指定站点\n"
u"例子: python tumblr-photo-video-ripper.py site1,site2")def illegal_json(): print(u"文件proxies.json格式非法.\n"
u"请参照示例文件'proxies_sample1.json'和'proxies_sample2.json'.\n"
u"然后去 http://jsonlint.com/ 进行验证.")if __name__ == "__main__":
sites = None
proxies = None if os.path.exists("./proxies.json"):
with open("./proxies.json", "r") as fj: try:
proxies = json.load(fj) if proxies is not None and len(proxies) > 0: print("You are using proxies.\n%s" % proxies) except:
illegal_json()
sys.exit(1) if len(sys.argv) < 2: #校验sites配置文件
filename = "sites.txt"
if os.path.exists(filename):
with open(filename, "r") as f:
sites = f.read().rstrip().lstrip().split(",") else:
usage()
sys.exit(1) else:
sites = sys.argv[1].split(",") if len(sites) == 0 or sites[0] == "":
usage()
sys.exit(1)
CrawlerScheduler(sites, proxies=proxies)
我们定义了usage方法,提示用户如何使用,illegal_json方法提示代理配置错误。 在程序的入口处,先判断是否有代理配置,如果有则取出信息。sites的配置支持从文件和命令行参数传入两种方式。最后 初始化CrawlerScheduler,启动抓取程序。
至此,程序构造完毕,总共才200行左右的代码,没有什么能阻挡荷尔蒙的迸发,进军吧,少年们,把撸鸡鸡的手解放出来撸撸代码,你也能做老司机! 玩笑归玩笑,希望这能激发你编程的欲望,自己动手敲一敲,会学到很多的,也许就爱上编程了呢。
最后,全部完整代码,我已经放到github上了(https://github.com/xuanhun/tumblr-crawler),如果你在微信中阅读本文,点击阅读原文,可以跳转过去。我认为我已经 讲解的够详细了,同时源代码已经给到了,你还是搞不定的话,只能说编程不适合你。