本文面向初学者。
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。
1.1 需求分析
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*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。
1.2 技术点分析
1.2.1 如何发送http请求
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。
1.2.2 如何处理xml数据
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。
1.2.3 如何实现Queue
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。
1.2.4 如何实现多线程
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。
1.2.5 如何处理json
考虑到Tumblr需要*访问，如果本机不使用VPN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。
1.2.6 如何使用正则表达式
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。
1.3 搭建程序基本框架
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
# 设置请求超时时间
TIMEOUT = 10 # 尝试次数
RETRY = 5 # 分页请求的起始点
START = 0 # 每页请求个数
MEDIA_NUM = 50 # 并发线程数
THREADS = 10 # 是否下载图片
ISDOWNLOADIMG=True #是否下载视频
ISDOWNLOADVIDEO=True #任务执行类
class DownloadWorker(Thread):
def __init__(self, queue, proxies=None):
Thread.__init__(self)
self.queue = queue
self.proxies = proxies def run(self):
while True:
medium_type, post, target_folder = self.queue.get()
self.download(medium_type, post, target_folder)
self.queue.task_done() def download(self, medium_type, post, target_folder):
pass def _handle_medium_url(self, medium_type, post):
pass def _download(self, medium_type, medium_url, target_folder):
pass #调度类
class CrawlerScheduler(object): def __init__(self, sites, proxies=None):
self.sites = sites
self.proxies = proxies
self.queue = Queue.Queue()
self.scheduling() def scheduling(self):
pass def download_videos(self, site):
pass def download_photos(self, site):
pass def _download_media(self, site, medium_type, start):
pass #程序入口
#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
1.4 具体实现
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:
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 os
import sys
import requests
import xmltodict
from six.moves import queue as Queue
from threading import Thread
import re
import 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。
1.5 小结
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。当然，不能勉强所有人都喜欢 编程，我把这个代码打包成了exe工具，作为宅男福利，作为对不劳而获的惩罚，你需要在微信订阅号（xuanhun521）本篇文章下面打赏>=10元，我会在微信订阅号后台统一回复给你工具包和使用方法。
请关注微信订阅号（xuanhun521，下方二维码），回复“python”，可查看更多python基础及黑客编程内容。问题讨论请加qq群：Hacking （1群）：303242737 Hacking （2群）：147098303。
玄魂工作室-精彩不断