标签:agent 打印 格式 中标 消费者 style pdf jpg ...
国庆假日结束了,新的工作又开始了,今天我们继续爬取一个网站,这个网站为 http://image.fengniao.com/
,蜂鸟一个摄影大牛聚集的地方,本教程请用来学习,不要用于商业目的,不出意外,蜂鸟是有版权保护的网站。
第一步,分析要爬取的网站有没有方法爬取,打开页面,找分页
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=1¬_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=2¬_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=3¬_in_id=5352384,5352410
http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page=4¬_in_id=5352384,5352410
上面的页面发现一个关键的参数page=1
这个就是页码了,但是另一个比较头疼的问题是,他没有最后的页码,这样我们没有办法确定循环次数,所以后面的代码编写中,只能使用while
了
这个地址返回的是JSON格式的数据,这个对爬虫来说,非常友好!省的我们用正则表达式分析了。
分析这个页面的头文件,查阅是否有反爬措施
发现除了HOST和User-Agent以外,没有特殊的点,大网站就是任性,没啥反爬,可能压根不在乎这个事情。
第二步,分析图片详情页面,在我们上面获取到的JSON中,找到关键地址
关键地址打开之后,这个地方有一个比较骚的操作了,上面图片中标注的URL选的不好,恰好是一个文章了,我们要的是组图,重新提供一个新链接 http://image.fengniao.com/slide/535/5352130_1.html#p=1
打开页面,你可能直接去找规律了,找到下面的一堆链接,但是这个操作就有点复杂了,我们查阅上述页面的源码
http://image.fengniao.com/slide/535/5352130_1.html#p=1
http://image.fengniao.com/slide/535/5352130_1.html#p=2
http://image.fengniao.com/slide/535/5352130_1.html#p=3
....
网页源码中发现了,这么一块区域
大胆的猜测一下,这个应该是图片的JSON,只是他打印在了HTML中,我们只需要用正则表达式进行一下匹配就好了,匹配到之后,然后进行下载。
第三步,开始撸代码。
1 from http_help import R # 这个文件自己去上篇博客找,或者去github找 2 import threading 3 import time 4 import json 5 import re 6 7 img_list = [] 8 imgs_lock = threading.Lock() #图片操作锁 9 10 11 # 生产者类 12 class Product(threading.Thread): 13 14 def __init__(self): 15 threading.Thread.__init__(self) 16 17 self.__headers = {"Referer":"http://image.fengniao.com/", 18 "Host": "image.fengniao.com", 19 "X-Requested-With":"XMLHttpRequest" 20 } 21 #链接模板 22 self.__start = "http://image.fengniao.com/index.php?action=getList&class_id=192&sub_classid=0&page={}¬_in_id={}" 23 self.__res = R(headers=self.__headers) 24 25 26 def run(self): 27 28 # 因为不知道循环次数,所有采用while循环 29 index = 2 #起始页码设置为1 30 not_in = "5352384,5352410" 31 while True: 32 url = self.__start.format(index,not_in) 33 print("开始操作:{}".format(url)) 34 index += 1 35 36 content = self.__res.get_content(url,charset="gbk") 37 38 if content is None: 39 print("数据可能已经没有了====") 40 continue 41 42 time.sleep(3) # 睡眠3秒 43 json_content = json.loads(content) 44 45 if json_content["status"] == 1: 46 for item in json_content["data"]: 47 title = item["title"] 48 child_url = item["url"] # 获取到链接之后 49 50 img_content = self.__res.get_content(child_url,charset="gbk") 51 52 pattern = re.compile(‘"pic_url_1920_b":"(.*?)"‘) 53 imgs_json = pattern.findall(img_content) 54 if len(imgs_json) > 0: 55 56 if imgs_lock.acquire(): 57 img_list.append({"title":title,"urls":imgs_json}) # 这个地方,我用的是字典+列表的方式,主要是想后面生成文件夹用,你可以进行改造 58 imgs_lock.release() 59 60 #小编整理一套Python资料和PDF,有需要Python学习资料可以加学习群:1004391443,反正闲着也是闲着呢,不如学点东西啦~~
上面的链接已经生成,下面就是下载图片了,也非常简单
# 消费者 class Consumer(threading.Thread): def __init__(self): threading.Thread.__init__(self) self.__res = R() def run(self): while True: if len(img_list) <= 0: continue # 进入下一次循环 if imgs_lock.acquire(): data = img_list[0] del img_list[0] # 删除第一项 imgs_lock.release() urls =[url.replace("\\","") for url in data["urls"]] # 创建文件目录 for item_url in urls: try: file = self.__res.get_file(item_url) # 记得在项目根目录先把fengniaos文件夹创建完毕 with open("./fengniaos/{}".format(str(time.time())+".jpg"), "wb+") as f: f.write(file) except Exception as e: print(e)
代码走起,结果
标签:agent 打印 格式 中标 消费者 style pdf jpg ...
原文地址:https://www.cnblogs.com/qingdeng123/p/10808743.html