首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Seleninum&PhamtomJS爬取煎蛋网妹子图

Seleninum&PhamtomJS爬取煎蛋网妹子图

作者头像
py3study
发布2020-01-07 16:26:58
6990
发布2020-01-07 16:26:58
举报
文章被收录于专栏:python3python3

目标网站:

需要爬取的网站:http://jandan.net/ooxx

blob.png
blob.png

目标分析:

先找到总页数,即可以利用selenium的模拟点击到下一个页面

blob.png
blob.png

找到每个图片的地址:

右键检查图片的代码,找到图片的代码

blob.png
blob.png

爬虫代码:

创建一个getJianDan.py文件,代码如下:

#!/usr/bin/env python
# coding: utf-8
from selenium import webdriver
from mylog import MyLog as mylog
import json
import os
import urllib.request
import time


class GetJianDan(object):
    """the all data from jandan.net
    所有数据来自煎蛋网
    """
    def __init__(self):
        self.startUrl = 'http://jandan.net/ooxx'
        self.log = mylog()
        self.browser = self.getBrowser()
        self.getPageNext(self.browser)

    def getBrowser(self):
        try:
            # 方法一: 指定PhantomJS的路径
            #browser = webdriver.PhantomJS(executable_path=r"D:\phantomjs-2.1.1-windows\bin\phantomjs.exe")
            # 方法二: 复制PhantomJS.exe到C:\Python35目录下(Python安装目录下)
            browser = webdriver.PhantomJS()
            browser.get(self.startUrl)   # 打开目标网站
            browser.implicitly_wait(20)  # 等待js代码加载完毕
        except Exception as e:
            self.log.error('open the %s failed:%s' % (self.startUrl, e))
        else:
            return browser

    def saveImg(self, browser):
        # 找到所有图片的标签,返回一个list
        elements = browser.find_elements_by_xpath('//ol[@class="commentlist"]//div[@class="row"]\
        //div[@class="text"]')
        for element in elements:
            src = element.find_element_by_xpath("./p//img").get_attribute('src')    # img 下载地址
            imgName = element.find_element_by_xpath("./span/a").text    # img 名字
            suffix_name = os.path.splitext(src)[1]  # img后缀名
            # 判断图片后缀是否为.gif,如果是则获取org_src属性
            if suffix_name == '.gif':
                # 重新赋值给src,这样爬取的才是动态的gif图片
                src = element.find_element_by_xpath("./p//img").get_attribute('org_src')
            full_name_img = imgName + suffix_name  # img完整名字
            try:
                # 下载图片,需要传入(图片下载地址,img完整名字带后缀名)
                urllib.request.urlretrieve(src, full_name_img)
                time.sleep(1)  # 设置下载延迟,防止被封
            except Exception as e:
                self.log.error('%s download failed, %s' % (full_name_img, e))
            else:
                self.log.info('%s download success' % full_name_img)

    def createDir(self, dirName):
        """创建目录"""
        if os.path.exists(dirName):
            self.log.error('create directory %s failed, have a sane name file or directory' % dirName)
        else:
            try:
                os.makedirs(dirName)
            except Exception as e:
                self.log.error('create directory %s failed : %s' % (dirName, e))
            else:
                self.log.info('create directory %s success' % dirName)

    def getPageNext(self, browser):
        # 获取总页数
        sumPage = json.loads(browser.find_element_by_xpath("//div[@class='comments']/\
        div[@class='cp-pagenavi']/span[last()]").text)
        cartoonTitle = browser.title  # 获取目录名
        self.createDir(cartoonTitle)  # 创建存储图片目录
        os.chdir(cartoonTitle)  # 进入创建的目录
        i = 1
        while i <= sumPage[0]:
            self.saveImg(self.browser)
            i += 1
            self.log.info('开始爬取第%d页' % i)
            # 利用selenium点击下一页,获取下一页的内容
            NextTag = browser.find_element_by_partial_link_text("下一页").click()
            browser.implicitly_wait(30)  # 等待加载js代码
            time.sleep(3)
        self.log.info('save img success')
        browser.quit()


if __name__ == '__main__':
    st = GetJianDan()

mylog.py日志文件代码如下:

#!/usr/bin/env python
# coding: utf-8
import logging
import getpass
import sys


# 定义MyLog类
class MyLog(object):
    def __init__(self):
        self.user = getpass.getuser()  # 获取用户
        self.logger = logging.getLogger(self.user)
        self.logger.setLevel(logging.DEBUG)

        # 日志文件名
        self.logfile = sys.argv[0][0:-3] + '.log'  # 动态获取调用文件的名字
        self.formatter = logging.Formatter('%(asctime)-12s %(levelname)-8s %(message)-12s\r\n')

        # 日志显示到屏幕上并输出到日志文件内
        self.logHand = logging.FileHandler(self.logfile, encoding='utf-8')
        self.logHand.setFormatter(self.formatter)
        self.logHand.setLevel(logging.DEBUG)

        self.logHandSt = logging.StreamHandler()
        self.logHandSt.setFormatter(self.formatter)
        self.logHandSt.setLevel(logging.DEBUG)

        self.logger.addHandler(self.logHand)
        self.logger.addHandler(self.logHandSt)

    # 日志的5个级别对应以下的5个函数
    def debug(self, msg):
        self.logger.debug(msg)

    def info(self, msg):
        self.logger.info(msg)

    def warn(self, msg):
        self.logger.warn(msg)

    def error(self, msg):
        self.logger.error(msg)

    def critical(self, msg):
        self.logger.critical(msg)


if __name__ == '__main__':
    mylog = MyLog()
    mylog.debug(u"I'm debug 中文测试")
    mylog.info(u"I'm info 中文测试")
    mylog.warn(u"I'm warn 中文测试")
    mylog.error(u"I'm error 中文测试")
    mylog.critical(u"I'm critical 中文测试")

运行主程序getJianDan.py

Pycharm运行结果

XF[RNQW%82TFWANO~F8%9(4.png
XF[RNQW%82TFWANO~F8%9(4.png

下载图片截图:

blob.png
blob.png

代码分析:

mylog.py  日志模块,记录一些爬取过程中的信息,在大量爬取的时候,没有log帮助定位,很难找到错误点

主程序:

getJianDan.py 主程序

getBrowser  打开目标网站,并返回内容

saveImg  处理每个页面img,并下载

createDir   创建图片保存目录

getPageNext  模拟用户点击下一页行为,发起新的请求

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018-07-31 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
腾讯云代码分析
腾讯云代码分析(内部代号CodeDog)是集众多代码分析工具的云原生、分布式、高性能的代码综合分析跟踪管理平台,其主要功能是持续跟踪分析代码,观测项目代码质量,支撑团队传承代码文化。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档