码迷,mamicode.com
首页 > 编程语言 > 详细

Python3网络爬虫(十):这个帅哥、肌肉男横行的世界(爬取帅哥图)

时间:2017-05-21 14:51:52      阅读:348      评论:0      收藏:0      [点我收藏+]

标签:new   return   try   images   程序员   lte   rac   ott   track   

转载请注明作者和出处: http://blog.csdn.net/c406495762
运行平台: Windows
Python版本: Python3.x
IDE: Sublime text3

1 前言

    之前,感觉网上类似于《爬取妹子图》这样的爬虫教程有很多,所以我就没有写爬取图片的实战教程。 最近,有关注我爬虫教程的朋友说,希望我可以出个爬取图片的教程。那么,今天就谈一谈如何爬取图片吧。其实爬取图片相对于一些抓包分析的东西,还是简单很多的,只要找到图片的地址,我们就能够下载下来。别人的爬取图片教程都是爬取《妹子图》,有爬“煎蛋”网的,有爬“妹子图”网的,妹子图片那叫一个劲爆啊!可谓目不暇接。看的我身体也一天不如一天了。出于对广大朋友身体的考虑,今天咱就不爬妹子图了,咱爬《帅哥图》!(PS:我不会告诉你,我是想看看我有没有美女程序员光临!)

2 预备知识

    为了也能够学习到新知识,本次爬虫教程使用requests第三方库,这个库可不是Python3内置的urllib.request库,而是一个强大的基于urllib3的第三方库。

    requests库的基础方法如下:

技术分享

    官方中文教程地址:http://docs.python-requests.org/zh_CN/latest/user/quickstart.html

    因为官方给出的《快速上手》教程已经整理的很好了,并且本次教程使用的也是最简单的requests.get(),因此第三方库requests的使用方法,不再累述。详情请看官方中文教程,有urllib2基础的人,还是好上手的。

3 实战

3.1 背景

    爬取《帅啊》网的帅哥图片!

    URL : http://www.shuaia.net/index.html

    先看一眼网站的样子:

技术分享

3.2 requests安装

    在cmd中,使用如下指令安装第三方库requests:

pip3 install requests

    或者:

easy_install requests

3.3 爬取单页目标连接

    通过审查元素,我们不难发现,目标的地址存储在class属性为”item-img”的<a>标签的href属性中。这时候,有人可能会问为啥不用下面的<img>标签的src属性?因为这个图片是首页的浏览图片,根据这个地址保存下来的图片,太小了,并且不清清楚。秉承着热爱“高清无码”的精神,这种图片可不是我想要的。因此,先获取目标的地址,也就是我们点击图片之后,进入的网页地址,然后根据下一个网页,找到图片的地址。

技术分享

    代码:

# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests

if __name__ == ‘__main__‘:
    url = ‘http://www.shuaia.net/index.html‘
    headers = {
            "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
    }
    req = requests.get(url = url,headers = headers)
    req.encoding = ‘utf-8‘
    html = req.text
    bf = BeautifulSoup(html, ‘lxml‘)
    targets_url = bf.find_all(class_=‘item-img‘)
    list_url = []
    for each in targets_url:
        list_url.append(each.img.get(‘alt‘) + ‘=‘ + each.get(‘href‘))
    print(list_url)

    我们将爬取的信息保存到list中,图片名字和图片地址使用”=”连接,运行结果:

技术分享

3.4 爬取多页目标连接

    翻到第二页的时候,很容易就发现地址变为了:www.shuaia.net/index_2.html。第三页、第四页、第五页依此类推。

技术分享

    代码:

# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
import requests

if __name__ == ‘__main__‘:
    list_url = []
    for num in range(1,20):
        if num == 1:
            url = ‘http://www.shuaia.net/index.html‘
        else:
            url = ‘http://www.shuaia.net/index_%d.html‘ % num
        headers = {
                "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
        }
        req = requests.get(url = url,headers = headers)
        req.encoding = ‘utf-8‘
        html = req.text
        bf = BeautifulSoup(html, ‘lxml‘)
        targets_url = bf.find_all(class_=‘item-img‘)

        for each in targets_url:
            list_url.append(each.img.get(‘alt‘) + ‘=‘ + each.get(‘href‘))
    print(list_url)

    我们少爬取一些,爬取前19页的目标连接:

技术分享

3.5 单张图片下载

    进入目标地址,审查元素。可以看到,图片地址保存在了class属性为”wr-single-content-list “的div->div->img的src属性中。

技术分享

    代码:

target_url = ‘http://www.shuaia.net/rihanshuaige/2017-05-18/1294.html‘
filename = ‘张根硕拍摄机车型男写真帅气十足‘ + ‘.jpg‘
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
    }
img_req = requests.get(url = target_url,headers = headers)
img_req.encoding = ‘utf-8‘
img_html = img_req.text
img_bf_1 = BeautifulSoup(img_html, ‘lxml‘)
img_url = img_bf_1.find_all(‘div‘, class_=‘wr-single-content-list‘)
img_bf_2 = BeautifulSoup(str(img_url), ‘lxml‘)
img_url = ‘http://www.shuaia.net‘ + img_bf_2.div.img.get(‘src‘)
if ‘images‘ not in os.listdir():
    os.makedirs(‘images‘)
urlretrieve(url = img_url,filename = ‘images/‘ + filename)
print(‘下载完成!‘)

    我们将图片保存在程序文件所在目录的imgase目录下:

技术分享

技术分享

3.6 整体代码

    已经获取到了每张图片的连接,我们就可以下载了。整合下代码,先少下载一点,下载前2页的图片。

# -*- coding:UTF-8 -*-
from bs4 import BeautifulSoup
from urllib.request import urlretrieve
import requests
import os
import time

if __name__ == ‘__main__‘:
    list_url = []
    for num in range(1,3):
        if num == 1:
            url = ‘http://www.shuaia.net/index.html‘
        else:
            url = ‘http://www.shuaia.net/index_%d.html‘ % num
        headers = {
                "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
        }
        req = requests.get(url = url,headers = headers)
        req.encoding = ‘utf-8‘
        html = req.text
        bf = BeautifulSoup(html, ‘lxml‘)
        targets_url = bf.find_all(class_=‘item-img‘)

        for each in targets_url:
            list_url.append(each.img.get(‘alt‘) + ‘=‘ + each.get(‘href‘))

    print(‘连接采集完成‘)

    for each_img in list_url:
        img_info = each_img.split(‘=‘)
        target_url = img_info[1]
        filename = img_info[0] + ‘.jpg‘
        print(‘下载:‘ + filename)
        headers = {
            "User-Agent":"Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36"
        }
        img_req = requests.get(url = target_url,headers = headers)
        img_req.encoding = ‘utf-8‘
        img_html = img_req.text
        img_bf_1 = BeautifulSoup(img_html, ‘lxml‘)
        img_url = img_bf_1.find_all(‘div‘, class_=‘wr-single-content-list‘)
        img_bf_2 = BeautifulSoup(str(img_url), ‘lxml‘)
        img_url = ‘http://www.shuaia.net‘ + img_bf_2.div.img.get(‘src‘)
        if ‘images‘ not in os.listdir():
            os.makedirs(‘images‘)
        urlretrieve(url = img_url,filename = ‘images/‘ + filename)
        time.sleep(1)

    print(‘下载完成!‘)

    运行结果如下:

技术分享

    最终下载的图片:

技术分享

4 总结

    图片是不是很帅?还算满意吧?

    这种爬取方法是比较简单的,速度慢。服务器又防爬虫程序,所以不能爬太快,每下载一个图片需要加个1秒延时,否则会被服务器断开连接。当然,解决办法还是有的,因为不是本文重点,以后有机会再细说。

    爬取图片的原理就是这样了,如果想爬取妹子图的可以去《煎蛋网》看看,包你满意。

PS: 如果觉得本篇本章对您有所帮助,欢迎关注、评论、顶!

Python3网络爬虫(十):这个帅哥、肌肉男横行的世界(爬取帅哥图)

标签:new   return   try   images   程序员   lte   rac   ott   track   

原文地址:http://blog.csdn.net/c406495762/article/details/72597755

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!