标签:知识 pytho 模块 soup F12 span mamicode webkit microsoft
最近学了一点点python爬虫的知识,面向百度编程爬了一本小说之后感觉有点不满足,于是突发奇想尝试爬一本漫画下来看看。
一、效果展示
首先是我们想要爬取的漫画网页: http://www.manhuadao.cn/
网页截图:
其次是爬取下来的效果:
每一回的文件夹里面是这样的: (因为网站图片的问题...所以就成了这个鬼样子)
二、分析原理
1、准备:需要vscode或者其他能够编译运行python的软件,推荐python版本3.X ,否则有可能出现编译问题。
下载所需模块:win+R 进入命令行, 输入 pip install <模块名> 即可下载。例如:
pip install beautifulsoup4
2、原理: 模拟浏览器点击->打开漫画网页链接->获取网页源码->定位每一章漫画的链接->模拟点击->获取图片页面源码->定位图片链接->下载图片
三、实际操作(代码附在最后)
1、引入模块 (这里不再详述)
2、模拟浏览器访问网页
(1)、 这里我们打开漫画的目录页,如下: url = ”http://www.manhuadao.cn/Home/ComicDetail?id=58ddb07827a7c1392c234628“ ,此链接就是目录页链接。
(2)、按F12打开此网页的源码(谷歌浏览器),选中上方NetWork,Ctrl+R刷新。
(3)、找到加载网页的源码文件,点击Headers,如下图: Status Code表示网页返回的代码,值为200时表示访问成功。
(4)、headers中的参数为下面红框User-Agent。
response = requests.get(url=url, headers=headers) # 模拟访问网页
print(response) # 此处应输出 <Response [200]>
print(response.text) # 输出网页源码
两个输出分别输出:
输出返回200表示访问成功。
(节选)
(5)、将html代码存入 data 中,xpath定位每一章链接。
data = etree.HTML(response.text)
# tp = data.xpath(‘//ul[@class="read-chapter"]/li/a[@class="active"]/@href‘)
tp = data.xpath(‘//*[@class="yesReader"]/@href‘)
zhang_list = tp # tp为链接列表
输出zhang_list,结果如下:
(6)、获取图片链接
1 i=1
2 for next_zhang in zhang_list: # 在章节列表中循环
3 i=i+1
4 j=0
5 hui_url = r_url+next_zhang
6 name1 = "第"+str(i)+"回"
7 file = ‘C:/Users/wangyueke/Desktop/‘+keyword+‘/{}/‘.format(name1) # 创建文件夹
8 if not os.path.exists(file):
9 os.makedirs(file)
10 print(‘创建文件夹:‘, file)
11 response = requests.get(url=hui_url, headers=headers) # 模拟访问每一章链接
12 data = etree.HTML(response.text)
13 # tp = data.xpath(‘//div[@class="no-pic"]//img/@src‘)
14 tp = data.xpath(‘//div[@class="main-content"]//ul//li//div[@class="no-pic"]//img/@src‘) # 定位
15 ye_list = tp
(7)、下载图片
1 for k in ye_list: # 在每一章的图片链接列表中循环
2 download_url = tp[j]
3 print(download_url)
4 j=j+1
5 file_name="第"+str(j)+"页"
6 response = requests.get(url=download_url) # 模拟访问图片链接
7 with open(file+file_name+".jpg","wb") as f:
8 f.write(response.content)
五、代码
1 ‘‘‘
2 用于爬取非人哉漫画
3 目标网址:http://www.manhuadao.cn/
4 开始时间:2019/8/14 20:01:26
5 完成时间:2019/8/15 11:04:56
6 作者:kong_gu
7 ‘‘‘
8 import requests
9 import json
10 import time
11 import os
12 from lxml import etree
13 from bs4 import BeautifulSoup
14
15
16 def main():
17 keyword="非人哉"
18 file = ‘E:/{}‘.format(keyword)
19 if not os.path.exists(file):
20 os.mkdir(file)
21 print(‘创建文件夹:‘,file)
22 r_url="http://www.manhuadao.cn/"
23 url = "http://www.manhuadao.cn/Home/ComicDetail?id=58ddb07827a7c1392c234628"
24 headers = { # 模拟浏览器访问网页
25 ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) \\Chrome/75.0.3770.142 Safari/537.36‘}
26 response = requests.get(url=url, headers=headers)
27 # print(response.text) # 输出网页源码
28 data = etree.HTML(response.text)
29 # tp = data.xpath(‘//ul[@class="read-chapter"]/li/a[@class="active"]/@href‘)
30 tp = data.xpath(‘//*[@class="yesReader"]/@href‘)
31 zhang_list = tp
32 i=1
33 for next_zhang in zhang_list:
34 i=i+1
35 j=0
36 hui_url = r_url+next_zhang
37 name1 = "第"+str(i)+"回"
38 file = ‘C:/Users/wangyueke/Desktop/‘+keyword+‘/{}/‘.format(name1) # 这里需要自己设置路径
39 if not os.path.exists(file):
40 os.makedirs(file)
41 print(‘创建文件夹:‘, file)
42 response = requests.get(url=hui_url, headers=headers)
43 data = etree.HTML(response.text)
44 # tp = data.xpath(‘//div[@class="no-pic"]//img/@src‘)
45 tp = data.xpath(‘//div[@class="main-content"]//ul//li//div[@class="no-pic"]//img/@src‘)
46 ye_list = tp
47 for k in ye_list:
48 download_url = tp[j]
49 print(download_url)
50 j=j+1
51 file_name="第"+str(j)+"页"
52 response = requests.get(url=download_url)
53 with open(file+file_name+".jpg","wb") as f:
54 f.write(response.content)
55
56
57 if __name__ == ‘__main__‘:
58 main()
第一次写博客,如果有写的不对的地方,请大佬指正,谢谢! _(:з」∠)_
标签:知识 pytho 模块 soup F12 span mamicode webkit microsoft
原文地址:https://www.cnblogs.com/kong-gu/p/11360308.html