标签：prettify gen ref not 正则表达式 open mozilla wow 动画
刚刚申请博客，内心激动万分。于是为了扩充一下分类，随便一个随笔，也为了怕忘记新学的东西由于博主十分怠惰，所以本文并不包含安装python（以及各种模块）和python语法。
目标
前几天上B站时看到一部很好玩的番剧，名字《笨女孩》，实际上是由同名的搞笑向漫画动画化的。大家都知道动画一般一周一更，很难满足我们的需求，所以我们就来编写一个爬虫，来爬取漫画咯。
那么本文的目标就是爬取《初音MIX》这部漫画（因为笨女孩我已经爬取过了>_<）。这部漫画我记得是小学的时候看的，也是我第一次接触日漫。
网上有很多的漫画网站，我们就选漫画之家好了！
需要的模块
request 用于下载网页
re python自带的正则模块
BeautifulSoup 用于解析html，让我们查找元素更方便（不过这次没用上）
开始！
Step1：确定需要爬取的网页地址
熟练运用网站的搜索工具，进入检索页面http://manhua.dmzj.com/tags/search.shtml?s=初音Mix
我们找到了目标地址http://manhua.dmzj.com/chuyinmix
接下来打开CH001，看到我们要爬取的图片
对图片网页进行分析（F12打开自带工具），以便我们查出图片的链接
很快查到图片链接及链接在代码中的位置
但是当我们查看源代码时，并没有找到此标签
因为爬虫爬取的页面是静态的html文件，没有经过其他脚本的“加工”。所以动态的脚本之类是无法作用的（PhantomJS，Selenium之类除外）。但是作为爬虫入门文章，我们还是考虑“绕过”这种烦人的东西，“绕过”方法作为一个小技巧
技巧一：若爬取网页较困难时，尝试爬取手机网页
很轻松的找到手机的检索地址http://m.dmzj.com/search/初音mix.html
它的界面是这样的
（手机上的网站在电脑上看真low。。。）
很轻松的找到详细页面http://m.dmzj.com/info/chuyinmix.html
这时再打开CH001，查看网页源代码，找到这么一段
mReader.initData({"id":12777,"comic_id":6132,"chapter_name":"CH001","chapter_order":10,"createtime":1284436621,
"folder":"c\/\u521d\u97f3MIKU\/CH001","page_url":["https:\/\/images.dmzj.com\/c\/\u521d\u97f3MIKU\/CH001\/001.jpg",
"https:\/\/images.dmzj.com\/c\/\u521d\u97f3MIKU\/CH001\/002.png", ...
这么明显的地址，真的是毫无防备。。。
那么我们找到了图片位置，可以开始爬取了
Step2:从检索页面到详细页面再到图片页面，进行爬取
通过简单的操作得到python代码
1 #!usr/bin/env python 2 #coding=utf-8 3 import requests, re 4 from bs4 import BeautifulSoup 5 6 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", 7 "Referer":"http://m.dmzj.com/"} 8 url="http://m.dmzj.com/info/chuyinmix.html" 9 html=requests.get(url, headers=headers) 10 soup=BeautifulSoup(html.content, "lxml") 11 print(soup.prettify())
这里简单的介绍一下最常见的，最基础的，同时也最容易被绕过的反爬虫操作
在Http协议中，客户端通过发送Http请求头来请求网页。
在python等程序或脚本发送的请求头中user-agent并非像浏览器的一样，他们就像是“python-requests/2.14.2”。
而一般浏览器的user-agent就像“Mozilla/5.0 (Windows NT 10.0; WOW64; rv:55.0) Gecko/20100101 Firefox/55.0”。
这样服务器就可以通过user-agent来区别爬虫和浏览器。
但是我们也可以通过修改请求头来绕过，然而服务器也不傻，他们又顺便检查了请求头Referer这一项。
Referer指的是浏览器通过哪一页面打开当前页面。
就像通过百度搜索“初音我老婆”，任意点开一个页面时Referer就记录着百度搜索结果的页面地址。
当然我们也可以修改Referer呵呵。
运行后可以看到此页面的源代码。
这时通过正则表达式来查找所需内容。
#!usr/bin/env python #coding=utf-8 import requests, re 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", "Referer":"http://m.dmzj.com/"} urlRoot="http://m.dmzj.com/info/chuyinmix.html" urlPre="http://m.dmzj.com/view/6132/" html=requests.get(urlRoot, headers=headers) nameList=re.findall(‘(?<=chapter_name":")[^"]+‘, html.text); idList=re.findall(‘(?<="id":)[^,]+‘, html.text); for i in range(15): url=urlPre+idList[i]+".html" html=requests.get(url, headers=headers) print(html.text)
运行结果显示没问题，于是开始尝试爬取一张图片
1 #!usr/bin/env python 2 #coding=utf-8 3 import requests, re, os 4 5 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", 6 "Referer":"http://m.dmzj.com/"} 7 urlRoot="http://m.dmzj.com/info/chuyinmix.html" 8 urlPre="http://m.dmzj.com/view/6132/" 9 html=requests.get(urlRoot, headers=headers) 10 nameList=re.findall(‘(?<=chapter_name":")[^"]+‘, html.text); 11 idList=re.findall(‘(?<="id":)[^,]+‘, html.text); 12 for i in range(15): 13 url=urlPre+idList[i]+".html" 14 html=requests.get(url, headers=headers) 15 print(html.text) 16 urlList=re.findall(‘https:\\\\/\\\\/[^"]+‘, html.text) 17 for idx, string in enumerate(urlList): 18 img=requests.get(string.replace(r"\/", "/").encode().decode("unicode-escape"), headers=headers) 19 ext=string.split(".")[-1] 20 if not os.path.exists(nameList[i]): 21 os.mkdir(nameList[i]) 22 file=open(nameList[i]+"\%03d.%s"%(idx, ext), "ab") 23 file.write(img.content) 24 file.close() 25 break 26 break
技巧二：利用str.encode().decode("unicode-escape")转换url中的Unicode编码看来成功了呵呵 >_<
于是放开手脚，全部爬取
1 #!usr/bin/env python 2 #coding=utf-8 3 import requests, re, os 4 5 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", 6 "Referer":"http://m.dmzj.com/"} 7 urlRoot="http://m.dmzj.com/info/chuyinmix.html" 8 urlPre="http://m.dmzj.com/view/6132/" 9 html=requests.get(urlRoot, headers=headers) 10 nameList=re.findall(‘(?<=chapter_name":")[^"]+‘, html.text); 11 idList=re.findall(‘(?<="id":)[^,]+‘, html.text); 12 for i in range(15): 13 url=urlPre+idList[i]+".html" 14 html=requests.get(url, headers=headers) 15 urlList=re.findall(‘https:\\\\/\\\\/[^"]+‘, html.text) 16 for idx, string in enumerate(urlList): 17 img=requests.get(string.replace(r"\/", "/").encode().decode("unicode-escape"), headers=headers) 18 ext=string.split(".")[-1] 19 if not os.path.exists(nameList[i]): 20 os.mkdir(nameList[i]) 21 file=open(nameList[i]+"\%03d.%s"%(idx, ext), "ab") 22 file.write(img.content) 23 file.close()
一分钟后，爬取成功>_<
总结本次爬取简单使用了python的requests, re, os库，简单介绍了HTTP请求头和最常见的反爬虫机制，纯属娱乐凑文章哈哈
标签：prettify gen ref not 正则表达式 open mozilla wow 动画
原文地址：http://www.cnblogs.com/tanglizi/p/7420757.html
