标签：class 页面 find original 目标 python 网站 异常 字符
适用的图片网站：美桌
import requests import re import urllib from bs4 import BeautifulSoup def get_html_text(url): ‘‘‘ 获取网址url的HTML代码，以字符串形式返回html代码 ‘‘‘ try: res = requests.get(url, timeout = 6) res.raise_for_status() res.encoding = res.apparent_encoding return res.text except: return ‘‘ print(‘请求异常‘) def get_grupic_url(page_url, grupic_url_list, unique_url): ‘‘‘ 获取每张页面中每个图册的url链接，每个图册的url都有共同 且有别于其他链接的url，我们把部分特征的字符串放在unique_url 中，通过它我们就可以筛选出页面中所有图册的url ‘‘‘ page_html = get_html_text(page_url) #解析页面的html代码 soup = BeautifulSoup(page_html, ‘html.parser‘) #获取该页面html代码中的所有<a>标签 a_tags = soup.find_all(‘a‘) #筛选出href属性中含有特征字符串unique_url的<a>标签 for a_tag in a_tags: url = a_tag.get(‘href‘) if re.match(unique_url, url): #将筛选出的<a>标签的url加入到列表中 grupic_url_list.append(url) def get_allpages_url(cover_url, pages_url_list): ‘‘‘通过递归获取所有页面的链接， 直到该页面不存在class = ‘next‘的<a>标签 ‘‘‘ html = get_html_text(cover_url) soup = BeautifulSoup(html, ‘html.parser‘) #找到属性class = ‘next‘的<a>标签 a_tags = soup.find_all(‘a‘, class_ = ‘next‘) #如果<a>标签存在，就将该标签的url加入列表 if a_tags: nextpage_url = a_tags[0].get(‘href‘) pages_url_list.append(nextpage_url) #递归获取下一个页面的<a>标签 get_allpages_url(nextpage_url, pages_url_list) #当不存在属性class = ‘next‘的<a>标签时，说明这是最后一页，结束递归 return None def download_each_page(grupic_url_list, file_path1, page): ‘‘‘ 通过调用download_each_group()函数， 下载每一页中的所有组图 ‘‘‘ print(‘\n\n第 {0} 页开始下载：\n‘.format(str(page))) gup = 1 #组数标记 #下载该页面中每个小相册的所有图片 for grupic_url in grupic_url_list: file_path2 = file_path1 + ‘_{0}‘.format(str(gup)) #获取该页面的h1标题 h1_string = get_h1_string(grupic_url) try: download_each_group(grupic_url, file_path2, h1_string, gup) gup += 1 except: print("下载异常") gup += 1 continue def download_all_page(pages_url_list, file_path, unique_url): ‘‘‘通过调用函数download_each_page()， 来下载所有页面的图片 ‘‘‘ pages_num = len(pages_url_list) print(‘\n相册一共有 {0} 页，已经开始下载请您耐心等待...‘.format(str(pages_num))) page = 1 #页数标记 for page_url in pages_url_list: grupic_url_list = [] get_grupic_url(page_url, grupic_url_list, unique_url) file_path1 = file_path + r‘\{0}‘.format(str(page)) download_each_page(grupic_url_list, file_path1, page) page += 1 def download_each_group(grupic_url, file_path, h1_string, gup, n = 1): ‘‘‘ 进入链接为grupic_url的图册，下载我们需要的大图片， 并递归进入下一个页面开始下载，直到图册的h1标题发生改变 ‘‘‘ new_file_path = file_path + ‘_{0}.jpg‘.format(str(n)) n += 1 html = get_html_text(grupic_url) soup = BeautifulSoup(html, ‘html.parser‘) #当该页面的h1标题和小相册封面的h1标题相同时开始下载 if h1_string == soup.h1.string: #找到属性class_ = ‘pic-large‘的img标签 img_tags = soup.find_all(‘img‘, class_ = ‘pic-large‘) img_tag = img_tags[0] #下载该img标签属性data-original提供的url链接，即为目标图片的链接 urllib.request.urlretrieve(img_tag.get(‘data-original‘), new_file_path) #获取下一个页面的链接 next_url = img_tag.parent.get(‘href‘) print(‘第 {0} 组：{1}, 第 {2} 张下载完成啦‘.format(str(gup), h1_string, str(n-1))) #递归下载下一个页面的目标图片 download_each_group(next_url, file_path, h1_string, gup, n) #当h1标题不同时，说明进入到了另一个小相册，结束递归 return None def get_h1_string(url): ‘‘‘ 获取网址为url网站的h1标签内容 ‘‘‘ try: html = get_html_text(url) soup = BeautifulSoup(html, ‘html.parser‘) return soup.h1.string except: print(‘h1标题获取异常‘) return ‘‘ def main(): ‘‘‘ 主函数 ‘‘‘ #封面的url链接，也就是第一页的url链接 cover_url = ‘http://www.win4000.com/mt/huge_1.html‘ #小相册链接中有别于其他链接的特征字符串 unique_url = r‘http://www.win4000.com/meinv‘ #图片存放的目录 file_path = r‘G:\pictures\huge‘ #存放所有页面链接的列表 pages_url_list = [] #先将封面，即第一页加入列表 pages_url_list.append(cover_url) #获取其他页面的链接 get_allpages_url(cover_url, pages_url_list) #下载所有页面中所有图片的函数 download_all_page(pages_url_list, file_path, unique_url) main()
标签：class 页面 find original 目标 python 网站 异常 字符
原文地址：https://www.cnblogs.com/huwt/p/10360543.html
