三步爬取半次元热门图片

py3study

发布于 2020-01-17 12:10:31

8280

发布于 2020-01-17 12:10:31

文章被收录于专栏：python3python3

前言：

边学习，边创造是一件开心的事情，因为你会清楚的认识到自己的状态，以及那充满内心的成就感，因此从写爬虫开始学习python是一个简单粗暴的提升路线，不知不觉了解很多东西

这里以半次元为例对爬虫整体流程以及部分细节进行简单汇总，如果有不正确的地方还请大家指出

---------------------------------------分割线----------------------------------------------

话不多说，我们打开待爬的页面

会发现这个页面运用了ajax技术，只有向下滑动才会触发请求，如果我们按照现在页面地址爬取，也只能是得到部分相册，既然是ajax，这里我们打开F12 网络工具刷新页面

滑动到底部，会发现又多了四条GET请求，查看请求的url ，会发现这些url之间不同的只有 p 的值 p=1, p=2, p=3, p=4,p=5

知道了这些，就可以开始编写python文件，请求页面内容了

1、创建一个AlbumUrl类，开始获取页面所有相册的url

import requests
from bs4 import BeautifulSoup


album_urls = []  #相册url列表

headers = {
        "Host": "bcy.net",
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:63.0) Gecko/20100101 Firefox/63.0"
    }


#获取相册url
class AlbumUrl():

    def __init__(self, url, url2):
        self.url = url
        self.url2 = url2
    def page(self, start, end):

        for i in range(start, end):

            url = self.url % i
            response = requests.get(url, headers=headers)

            response.encoding = 'utf-8'
            after_bs = BeautifulSoup(response.text, 'lxml')

            li_s = after_bs.find_all('li', class_='js-smallCards _box')   #提取li标签内容

            for li in li_s:
                list_a = li.find_all('a', class_='db posr ovf')    #提取a标签内容
                for a in list_a:
                    a_href = a.get('href')   #取出部分url 进行拼接
                    album_urls.append(self.url2 + a_href)



if __name__ == '__main__':
    url = 'https://bcy.net/coser/index/ajaxloadtoppost?p=%s'
    url2 = 'https://bcy.net'
    spider = AlbumUrl(url, url2)
    spider.page(1, 6)       #分析出来的页数

编写完毕，运行一下，无误，把这些相册url保存到列表，等待逐个分析里面的图片内容

2、新建一个ImgUrl类继承threading.Thread类因为这里我打算用多线程，导入相应的模块

import requests
from bs4 import BeautifulSoup
import threading
import re
import time


album_urls = []  #相册url列表
all_img_urls = []       #所有图片

lock = threading.Lock()  #互斥锁

headers = {
        "Host": "bcy.net",
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:63.0) Gecko/20100101 Firefox/63.0"
    }

#抓取每个相册里面图片url
class ImgUrl(threading.Thread):

    def run(self):

        while len(album_urls) > 0: #只要不为空 就一直抓取
            lock.acquire()  #上锁
            album_url = album_urls.pop()
            lock.release()  # 解锁

            try:
                response = requests.get(album_url, headers=headers, timeout=3)
                response.encoding = 'utf-8'
                re_obj = re.compile('"path(.*?)w650', re.S)
                r = (re_obj.findall(response.text))
                print("正在分析" + album_url)
                after_bs = BeautifulSoup(response.text, 'lxml')

                lock.acquire()  # 上锁
                for title in after_bs.find_all('title'):
                    global album_title
                    album_title = (str(title.get_text())).split('-')[0]

                for i in range(len(r)):
                    img_url = r[i].replace(r'\\u002F', '/')[5:] + 'w650.jpg' #拼接字符串，完成每张图片url

                    img_dict = {album_title: img_url}   #相册名和图片url存入字典
                    all_img_urls.append(img_dict)
                print(album_title + '获取成功')

                lock.release()  # 解锁
                time.sleep(0.5)
            except:
                pass



#获取相册url
class AlbumUrl():

    def __init__(self, url, url2):
        self.url = url
        self.url2 = url2
    def page(self, start, end):

        for i in range(start, end):

            url = self.url % i
            response = requests.get(url, headers=headers)

            response.encoding = 'utf-8'
            after_bs = BeautifulSoup(response.text, 'lxml')

            li_s = after_bs.find_all('li', class_='js-smallCards _box')   #提取li标签内容

            for li in li_s:
                list_a = li.find_all('a', class_='db posr ovf')    #提取a标签内容
                for a in list_a:
                    a_href = a.get('href')   #取出部分url 进行拼接
                    album_urls.append(self.url2 + a_href)



if __name__ == '__main__':
    url = 'https://bcy.net/coser/index/ajaxloadtoppost?p=%s'
    url2 = 'https://bcy.net'
    spider = AlbumUrl(url, url2)
    spider.page(1, 5)       #分析出来的页数
    for x in range(5):
        t = ImgUrl()
        t.start()

# 这里需要注意的是，图片的url并不是直接暴露的，里面惨杂了一些字符串，这里我们运用正则来进行筛选，然后用replace进行相应字符串的替换

开五个线程运行一下，无误，可以准备写入文件了

3、新建一个Download类同样继承threading.Thread类，用于下载图片到本地

import os

import requests
from bs4 import BeautifulSoup
import threading
import re
import time


album_urls = []  #相册url列表
all_img_urls = []       #所有图片

lock = threading.Lock()  #互斥锁

headers = {
        "Host": "bcy.net",
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64; rv:63.0) Gecko/20100101 Firefox/63.0"
    }




#抓取每个相册里面图片url
class ImgUrl(threading.Thread):

    def run(self):

        while len(album_urls) > 0: #只要不为空 就一直抓取
            lock.acquire()  #上锁
            album_url = album_urls.pop()
            lock.release()  # 解锁

            try:
                response = requests.get(album_url, headers=headers, timeout=3)
                response.encoding = 'utf-8'
                re_obj = re.compile('"path(.*?)w650', re.S)
                r = (re_obj.findall(response.text))
                print("正在分析" + album_url)
                after_bs = BeautifulSoup(response.text, 'lxml')

                lock.acquire()  # 上锁
                for title in after_bs.find_all('title'):
                    global album_title
                    album_title = (str(title.get_text())).split('-')[0]

                for i in range(len(r)):
                    img_url = r[i].replace(r'\\u002F', '/')[5:] + 'w650.jpg' #拼接字符串，完成每张图片url

                    img_dict = {album_title: img_url}
                    all_img_urls.append(img_dict)
                print(album_title + '获取成功')

                lock.release()  # 解锁
                time.sleep(0.5)
            except:
                pass

num = 0
#下载图片
class Download(threading.Thread):

    def run(self):

        while True:

            lock.acquire()   #上锁
            if len(all_img_urls) == 0:
                lock.release() #解锁
                continue
            else:
                img_dict = all_img_urls.pop()
                lock.release() #解锁

                for key, values in img_dict.items():   #把键值取出

                    try:
                        os.mkdir(key)
                        print(key + '创建成功')
                    except:
                        pass
                    global num
                    num += 1
                    filename = str(num) + '.' + str(values).split('.')[-1]  #给每张图片重新命名
                    filepath = os.path.join(key, filename)
                    session = requests.Session()     #这里使用会话请求
                    http_obj = requests.adapters.HTTPAdapter(max_retries=20)  #每次连接的最大失败重试次数
                    session.mount('https://', http_obj)  #增加请求类型
                    session.mount('http://', http_obj)
                    try:
                        response = session.get(values)   #读取会话

                        with open(filepath, 'wb', buffering=4*1024) as image:
                            image.write(response.content)
                            image.close()

                            print(filepath + '下载完毕')
                    except:
                        pass

                time.sleep(0.1)


#获取相册url
class AlbumUrl():

    def __init__(self, url, url2):
        self.url = url
        self.url2 = url2
    def page(self, start, end):

        for i in range(start, end):

            url = self.url % i
            response = requests.get(url, headers=headers)

            response.encoding = 'utf-8'
            after_bs = BeautifulSoup(response.text, 'lxml')

            li_s = after_bs.find_all('li', class_='js-smallCards _box')   #提取li标签内容

            for li in li_s:
                list_a = li.find_all('a', class_='db posr ovf')    #提取a标签内容
                for a in list_a:
                    a_href = a.get('href')   #取出部分url 进行拼接
                    album_urls.append(self.url2 + a_href)



if __name__ == '__main__':
    url = 'https://bcy.net/coser/index/ajaxloadtoppost?p=%s'
    url2 = 'https://bcy.net'
    spider = AlbumUrl(url, url2)
    spider.page(1, 5)       #分析出来的页数
    threads = []
    for x in range(5):
        t = ImgUrl()
        t.start()
        threads.append(t)

    for tt in threads:  #设置堵塞，避免线程抢先
        tt.join()

    for x in range(5):
        down = Download()
        down.start()

#这里需要注意的是，请求图片的时候不能直接请求，否则会发生异常，这里用会话请求并设置相应的类型

好，开五个线程运行一下，看结果如何