python3网络爬虫（2.1）：爬取堆糖美女

时间：2018-03-03 11:04:04 阅读：260 评论：0 收藏：0 [点我收藏+]

标签：获取文件夹 sem amp ref extend src ext append

额，明明记得昨晚存了草稿箱，一觉醒来没了，那就简写点（其实是具体怎么解释我也不太懂/xk，纯属个人理解，有错误还望指正）

环境：

　　版本：python3

　　IDE：pycharm2017.3.3

　　浏览器：火狐（浏览器建议火狐，Chrome）

　　爬取网站：堆糖

选堆糖是因为比较好爬取（除了img文件就是xhr文件），别网站的反爬取对我这个水平来说都太心机了

安装配置什么的之前都写过，这里就不提了，直接开始

1.先来浏览一下这个网站，打开堆糖官网，搜索校花，他就会给我们推荐一些图片，当我们滚动到页面底部时，他又会加载新的一些图片，再滚到底，再加载，这样加载了五次，才把第一页的所有图片加载出来（这里体现了这个网站的防爬，不过也好破）

我们的目标就是把这19页，每页的图片都爬下来

2.重新搜索一下关键字，我们先不往下滚动，右键查看元素，选择网络，可以看到目前这一页中加载的图片，

3.然后我们把页面往下滚动，让他继续加载，同时我们观察者网络这个窗口，所有请求的图片也都显示在这里，这时发现xhr类型的文件，这样的文件一共有五个，也就是同一页面中每次滚动到页面底部，新加载图片时就会出现这样的文件

技术分享图片

4.主要关注一下这个文件，把窗口切换到xhr类型下，双击打开其中的一个

5.这个请求网址使我们需要的，复制到地址栏中

6.这里打开如果是所有代码堆在一起的那样，就需要在线解析一下，解析工具将地址复制进去进行校验

　　而我这里的火狐浏览器打开直接就是转换好的

　　其中的path就是我们需要的

而这个limit就是限制我们爬取数量的参数，后面需要修改这个参数来爬取全部图片

7.对请求地址进行分析

https://www.duitang.com/napi/blog/list/by_search/?kw=校花&type=feed&include_fields=top_comments,is_root,source_link,item,buyable,root_id,status,like_count,sender,album&_type=&start=24&_=1520036797589

　　将没用的删掉

https://www.duitang.com/napi/blog/list/by_search/?kw=校花&start=24

　　修改参数start（从0开始爬取），添加参数limit（上限），格式都是&开头

https://www.duitang.com/napi/blog/list/by_search/?kw=校花&start=0&limit=1000

以上就是爬取的分析过程，代码如下

 1 import requests
 2 import urllib.parse
 3 import threading
 4 #设置最大线程value
 5 thread_lock = threading.BoundedSemaphore(value=10)
 6 
 7 
 8 #通过url获取数据
 9 def get_page(url):
10     page = requests.get(url)
11     page = page.content
12     #将bytes转成字符串
13     page = page.decode(‘utf-8‘)
14     return page
15 #label为关键字
16 def pages_from_duitang(label):
17     pages = []
18     url = ‘https://www.duitang.com/napi/blog/list/by_search/?kw={}&start=0&limit=1000‘
19     #将中文转成url编码
20     label = urllib.parse.quote(label)
21     for index in range(0, 3600, 100):
22         u = url.format(label, index)
23         print(u)
24         page = get_page(u)
25         pages.append(page)
26         return pages
27 
28 
29 #通过切片提取路径
30 def findall_in_page(page, startpart, endpart):
31     all_strings = []
32     end = 0
33     while page.find(startpart, end) != -1:
34         start = page.find(startpart, end) + len(startpart)
35         end = page.find(endpart, start)
36         string = page[start:end]
37         all_strings.append(string)
38     return all_strings
39 #返回所有图片的链接
40 def pic_urls_from_pages(pages):
41     pic_urls = []
42     for page in pages:
43         urls = findall_in_page(page, ‘path":"‘, ‘"‘)
44         pic_urls.extend(urls)
45     return pic_urls
46 #下载图片
47 def download_pics(url, n):
48     r = requests.get(url)
49     path = ‘../pics/‘ + str(n) + ‘.jpg‘
50     with open(path, ‘wb‘) as f:
51         f.write(r.content)
52     #解锁
53     thread_lock.release()
54 
55 def main(label):
56     pages = pages_from_duitang(label)
57     pic_urls = pic_urls_from_pages(pages)
58     n = 0
59     for url in pic_urls:
60         n += 1
61         print("正在下载第{}张图片".format(n))
62         #上锁
63         thread_lock.acquire()
64         t = threading.Thread(target=download_pics, args=(url, n))
65         t.start()
66 
67 
68 main(‘校花‘)