python异步协程instagram爬虫

, , , , ,

前言

没啥目的，就觉得ins里 图多

因为图都是原图的原因，再又因为是GitHub，图片加载会很慢，我暂时懒得解决

正文

一、分析

1、分析目标网站

首先分析网站图片加载流程， taeri__taeri 应该有人认识这个网红。ins照片一次只加载了一定数量的照片，往下翻又会加载，毫无疑问看 xhr

在预览栏里可以看到json数据，display_url 就是照片的链接，只要获取到这个就行了

2、分析请求参数

回到 headers 看看请求用了哪些参数；就两个， quer_hash 和 variables

variables 是一个json，里面有 id、first、after 这三项；为了不麻烦。。我直接说这三个是啥玩意儿，有兴趣的可以自己分析

id：user id 即用户id

first：这次请求加载照片数量

after：end cursor 这个参数是为了判断上一页的，没有这个就一直加载的第一页，而本页会带有一个end cursor参数来进行下一页请求

还有一点，需要加上cookie，这个应该不用多说了

3、程序流程

请求啥的都分析好了，接下来就来分析程序怎么写，我现在的需求是这样的

给定一个用户名，尽快获取该用户所有照片并下载到instagram//这个目录下

要求中说了需要尽快，那么单线程就算了，太没效率的，就一个普通网红照片好歹也有几百张；这里用到asyncio，流程是这样的

首先下载和获取图片链接弄成两个任务，在等待获取的时候我先去执行下载里的任务，在等待下载的时候我可以获取下载链接，这就是一个生产者消费者模式，这里涉及到了通信，我用queue。

二、代码

用到的lib：

1
2
3
4
5
6
7
8
9
10
11
12
13
import json
import multiprocessing
import sys
from urllib.parse import urljoin

import aiohttp
import asyncio
import os
import re

from pathlib import Path

import requests

__init__:

1
2
3
4
5
6
7
8
def __init__(self, username, maxtasks=200):
    self.username = username
    self.maxtasks = maxtasks  # 最大任务数
    self.queue = asyncio.Queue(maxsize=maxtasks * 2)
    # 配置代理，没有科学上网没法访问ins
    os.environ['http_proxy'] = PROXY
    os.environ['https_proxy'] = PROXY
    self.session = aiohttp.ClientSession(trust_env=True, headers=HEADERS)

首先获取user id：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
async def get_shared_data(self):
    """
    获取 shared data
    :return:
    """
    try:
        async with self.session.get(ROOT_URL + self.username) as resp:
            html = await resp.text()
            if html is not None and '_sharedData' in html:
                shared_data = html.split("window._sharedData = ")[1].split(
                    ";</script>")[0]
                if not shared_data: # 没有shared data可以直接终止程序了
                    print('!!!!!!!')
                    exit(1)
                return json.loads(shared_data)
    except Exception:
        pass

async def init(self):
    """
    初始化必要参数
    :return:
    """
    user = (await self.get_shared_data())['entry_data']['ProfilePage'][0]['graphql']['user']
    if not user:
        print('user is none.')
        exit(1)
    self.user_id = user['id']  # user id
    self.count = user['edge_owner_to_timeline_media']['count']  # 照片数量

生产者：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
async def produce_download_urls(self, max=50):
    """
    获取每一页的所有照片链接
    :param max: 一次要获取照片数量
    :return:
    """
    end_cursor = '' # 加载第一页
    while True:
        pic_params = {
            'query_hash':
            'f2405b236d85e8296cf30347c9f08c2a', # query_hash 可以固定一个值
            'variables':
            '{{"id":"{0}","first":{1},"after":"{2}"}}'.format(
                self.user_id, max, end_cursor),
        }
        pic_url = ROOT_URL + 'graphql/query/'
        async with self.session.get(pic_url, params=pic_params) as resp:
            json = await resp.json()
            edge_media = json['data']['user'][
                'edge_owner_to_timeline_media']
            edges = edge_media['edges']
            if edges:
                for edge in edges:
                    await self.queue.put(edge['node']['display_url'])  # queue通信
                    has_next_page = edge_media['page_info']['has_next_page'] # json中有一个has next page项，其值是 true或false，用来判断是否有下一页
                    if has_next_page:
                        end_cursor = edge_media['page_info']['end_cursor'] # 获取 end cursor
                        else:
                            break

消费者：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
async def download(self):
    """
    下载照片
    :return:
    """
    while not (self.producer.done() and self.queue.empty()): # 生产任务是否没有完成以及queue队列是否不为空
        url = await self.queue.get()  # 获取照片链接
        filename = PATH / url.split('?')[0].split('/')[-1]
        async with self.session.get(url) as resp:
            with filename.open('wb') as f:
                async for chunk in resp.content.iter_any():
                    f.write(chunk)
        self.queue.task_done() # 表示刚刚排队的任务已完成（就是用get取出的照片url下载完成了）
        print('.', end='', flush=True)

run：

1
2
3
4
5
6
7
8
9
10
11
12
13
async def run(self):
    """
    :return:
    """
    print('Preparing...')
    print('Initializing...')
    await self.init()
    print('User id: %r.' % self.user_id)
    print('Total %r photos.' % self.count)
    print('-'*50)
    self.producer = asyncio.create_task(self.produce_download_urls())
    print('Downloading...', end='', flush=True)
    await asyncio.gather(*(self.download() for _ in range(self.maxtasks))) # asyncio.gather和asyncio.wait差不多，具体百度

check：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
def check(_):
    """
    检测照片数量。。。太菜了不知道怎么停止只能这样了（逃；
    """
    print('Start check...')
    with requests.get(urljoin(ROOT_URL, USERNAME), headers=HEADERS,
                 proxies={'http': 'http://localhost:80001', 'https': 'https://localhost:8001'}) as resp:
        pattern = '"edge_owner_to_timeline_media":.?{"count":(.*?),"page_info"'
        count = int(re.findall(pattern, resp.text)[0])
        while True:
            files = len(os.listdir(PATH))
            print('Check files:%r' % files)
            if files == count:
                # print('Total %r photos download done.' % count)
                print('\nProduce done, Total %r photos, plz wait save done :)' % count)
                sys.exit(0)

main：

1
2
3
4
5
6
async def main():
    ins = Instagram(USERNAME)
    try:
        await ins.run()
    finally:
        await ins.close()

if __name__ == ‘__main__‘:

1
2
3
4
5
6
7
8
9
10
if __name__ == '__main__':
    try:
        p = multiprocessing.Process(target=check, args=(0,))
        p.start()
        future = asyncio.ensure_future(main())
        loop = asyncio.get_event_loop()
        loop.run_until_complete(future)
        loop.close()
    except KeyboardInterrupt:
        pass

运行：

最后

项目地址
感谢观看 :)