前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >爬虫养成记--顺藤摸瓜回首掏(女生定制篇)

爬虫养成记--顺藤摸瓜回首掏(女生定制篇)

作者头像
一只图雀
发布2020-04-07 15:21:23
3550
发布2020-04-07 15:21:23
举报
文章被收录于专栏:图雀社区
本文由图雀社区[1]成员 灿若星空[2] 写作而成,欢迎加入图雀社区,一起创作精彩的免费技术教程,予力编程行业发展。

如果您觉得我们写得还不错,记得 点赞 + 关注 + 评论 三连???,鼓励我们写出更好的教程?

前情回顾

在上篇教程爬虫养成记——先跨进这个精彩的世界(女生定制篇)[3]中我们已经可以将所有小哥哥的封面照片抓取下来,但仅仅是封面图片在质量和数量上怎么能满足小仙女们的要求呢?在本篇教程中,我们串起一根姻缘“线”,来把这一系列的小哥哥们都收入囊中。

出门先化妆

小仙女们出门约会总会“淡妆浓抹总相宜”,那爬虫出门去爬取数据,也得打扮打扮啊,不然怎么能让男神们都乖乖地跟着走呢?

爬虫的“化妆”可不是“妆前乳 --> 粉底 --> 遮瑕 --> 散粉 --> 画眉 --> 口红”等这些步骤,其目的是为了让对方网站更加确信来访者不是爬虫程序,而是一个活生生的人。人们通过操控浏览器来访问网站,那么爬虫程序只需要模仿浏览器就可以了。 那就来看看浏览器在打开网页时都画了那些“妆”。

8GMVwd.png

打开Chrome并打开调试台,切换到NetWork选项卡,此时访问 https://www.nanrentu.cc/sgtp/, 这是时候会看到调试台里出现了很多链接信息,这么多链接到底哪个是我们所需要的呢?回想一下上一篇内容,首先是要获得HTML文档,再从此文档中提取出图片的链接,所以目标有了,就是找到浏览器获取到这个HTML文档的那个链接。

Chrome知道这么多链接信息肯定会让开发者陷入茫然,所以给链接进行了归类,点击上方Doc分类,再点击那唯一的一条链接,就会看到获取此HTML文档链接的详细信息了。此时我们关注主要Request Headers 这个里面的内容。浏览器通过http协议与服务器交互获取信息,爬虫是通过模仿浏览器发出http协议获取信息,其中最重要的一个模仿点就是Request Headers。

http协议里面的“瓶瓶罐罐”

让男生看女孩子化妆用的那些瓶瓶罐罐估计会陷入沉思,这是BB霜,那是粉底液,还有散粉、眼影、遮瑕膏,更不用说各种色号的口红啦。那女孩子看到这http里面的各项内容时估计也会一脸懵逼,其这比化妆品简单多了,我们只需简单了解,就能给爬虫画出精致妆容。

代码语言:javascript
复制
:authority: www.nanrentu.cc
:method: GET   // 自定义请求头 请求方法
:path: /sgtp/  // 自定义请求头 请求路径
:scheme: https // 自定义请求头 请求方式
// 所接受的内容格式
accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9
// 所接受的编码方式
accept-encoding: gzip, deflate, br
// 所接受的语言
accept-language: zh-CN,zh;q=0.9
// 缓存控制:告诉服务器客户端希望得到一个最新的资源
cache-control: max-age=0
cookie: UM_distinctid=170a5a00fa25bf-075185606c88b7-396d7407-100200-170a5a00fa3507; Hm_lvt_45e50d2aec057f43a3112beaf7f00179=1583326696,1583756661; CNZZDATA1274895726=1196969733-1583323670-%7C1583752625; Hm_lpvt_45e50d2aec057f43a3112beaf7f00179=1583756721
sec-fetch-dest: document
sec-fetch-mode: navigate
sec-fetch-site: none
sec-fetch-user: ?1
// 屏蔽HTTPS页面出现HTTP请求警报
upgrade-insecure-requests: 1
user-agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36

这么多的信息不用都给爬虫加上,因为这网站的防爬措施等级不高,暂时只要关键的两个就可以了。

  • cookie: 这是存储在浏览器里面一段文本,有时包含了验证信息和一些特殊的请求信息
  • user-agent:用于标识此请求是由什么工具所发出的 关于User-Agent的详细信息可以参考此篇博文 谈谈 UserAgent 字符串的规律和伪造方法[4]

但是当爬取其他网站时可能会有所需要,在这里赘述这么多原因就是希望大家能明白伪装爬虫的重要性,以及怎么获取这些伪装信息。

代码语言:javascript
复制
// 建立一个名叫headers的字典
headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36',
    'cookie': 'UM_distinctid=170a5a00fa25bf-075185606c88b7-396d7407-100200-170a5a00fa3507; CNZZDATA1274895726=1196969733-1583323670-%7C1583925652; Hm_lvt_45e50d2aec057f43a3112beaf7f00179=1583326696,1583756661,1583926583; Hm_lpvt_45e50d2aec057f43a3112beaf7f00179=1583926583'
}
// 发送请求时带上请求头
response = requests.get(baseUrl,headers=headers)

顺藤摸瓜

一个网站是由若干个网页组合而成的,网页中充满着各种超链接,从这网页链接到那个网页,如果我们想要更多小哥哥,那就得首先分析出串联起他们那些超链接,然后就可以顺藤摸瓜咯。

超连接元素.png

当把鼠标发放到标题上时,标题的颜色发生了变化,证明这一元素为超连接,点击标题浏览器会自动打开一个tab标签页,来显示网页,注意到下方的页码标签,是这些元素串联起了整个图集。

8EBD9U.png

点击“末页”观察url发生了什么变化

末页的url:https://www.nanrentu.cc/sgtp/36805_7.html

首页的url:https://www.nanrentu.cc/sgtp/36805.html

看起来有点意思了,末页的url比首页的url多了“_7”,接下来再点击分别进入第2页,第3页……观察url的变化,可得出下表。

页面

url

首页

https://www.nanrentu.cc/sgtp/36805.html

第2页

https://www.nanrentu.cc/sgtp/36805_2.html

第3页

https://www.nanrentu.cc/sgtp/36805_3.html

第4页

https://www.nanrentu.cc/sgtp/36805_4.html

第5页

https://www.nanrentu.cc/sgtp/36805_5.html

第6页

https://www.nanrentu.cc/sgtp/36805_6.html

第7页

https://www.nanrentu.cc/sgtp/36805_7.html

多点几个组图,也会发现同样规律。这样就明了很多了,我们已经分析清楚了这个跟“藤”的开头与结尾,接下来就可以敲出代码让爬虫开始“摸瓜”咯。

摸瓜第1步:提取标题链接

这个操作与上篇博文中所介绍的一样,打开调试台切换到Elements选项卡就能开始探索提取了。

8Ech4I.png

摸瓜第2步:提取末页链接,得出组图页数

8ERtu8.png

通过观察HTML元素结构,可发现包含末页的 <li> 标签为其父元素<ul>的倒数第二个子元素,所以可得出以下的css选择器

.page > ul > li:nth-last-child(2) > a

摸瓜第3步:根据首尾链接构造url

为了构造url更加方便,我们可以把首页 https://www.nanrentu.cc/sgtp/36805.html 变为 https://www.nanrentu.cc/sgtp/36805_1.html, 在浏览器中打开带有后缀的这个网址,依然能够成功访问到首页,不要问我为什么?这可能就是程序员之间的一种默契吧~

摸瓜第4步:存储图片,摸瓜成功

完整的代码如下:

代码语言:javascript
复制
import requests
from pyquery import PyQuery as pq
import uuid

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.132 Safari/537.36',
    'cookie': 'UM_distinctid=170a5a00fa25bf-075185606c88b7-396d7407-100200-170a5a00fa3507; CNZZDATA1274895726=1196969733-1583323670-%7C1583925652; Hm_lvt_45e50d2aec057f43a3112beaf7f00179=1583326696,1583756661,1583926583; Hm_lpvt_45e50d2aec057f43a3112beaf7f00179=1583926583'
}
def saveImage(imgUrl,name):
    imgResponse = requests.get(imgUrl)
    fileName = "学习文件/%s.jpg" % name
    if imgResponse.status_code == 200:
        with open(fileName, 'wb') as f:
            f.write(imgResponse.content)
            f.close()

def getPic(urlArray):
    for url in urlArray:
        res = requests.get(url,headers=headers)
        if res.status_code == 200:
            doc = pq(res.text)
            imgSrc = doc('.info-pic-list > a > img').attr('src')
            print(imgSrc)
            saveImage(imgSrc,uuid.uuid1().hex)
    

def createUrl(indexUrl,allPage):
    baseUrl = indexUrl.split('.html')[0]
    urlArray = []
    for i in range(1,allPage):
        tempUrl = baseUrl+"_"+str(i)+".html"
        urlArray.append(tempUrl)
    return urlArray

def getBoys(link):
    # 摸瓜第1步:获取首页连接
    picIndex = link.attr('href')
    #  摸瓜第2步:打开首页,提取末页链接,得出组图页数
    res = requests.get(picIndex,headers=headers)
    print("当前正在抓取的 picIndex: " + picIndex)
    if res.status_code == 200:
        with open("picIndex.html",'w',encoding="utf-8") as f:
            f.write(res.text)
        doc = pq(res.text)
        lastLink = doc('.page > ul > li:nth-last-child(2) > a').attr('href')
        # 字符串分割,得出全部的页数
        if(lastLink is None):
            return
        # 以.html 为分割符进行分割,取结果数组中的第一项
        temp = lastLink.split('.html')[0]
        # 再以下划线 _ 分割,取结果数组中的第二项,再转为数值型
        allPage = int(temp.split('_')[1])
        # 摸瓜第3步:根据首尾链接构造url
        urlArray = createUrl(picIndex,allPage)
        # 摸瓜第4步:存储图片,摸瓜成功
        getPic(urlArray)

def main():
    baseUrl = "https://www.nanrentu.cc/sgtp/"
    response = requests.get(baseUrl,headers=headers)
    if response.status_code == 200:
        with open("index.html",'w',encoding="utf-8") as f:
            f.write(response.text)
        doc = pq(response.text)
        # 得到所有图集的标题连接
        titleLinks = doc('.h-piclist > li > a').items()
        # 遍历这些连接
        for link in titleLinks:
            getBoys(link)

if __name__ == "__main__":
    main()

运行结果:

8egHjx.png

回首掏

回顾整个爬虫程序,它是连续式流水线作业,每一步之间都是环环相扣,所以在写程序前自己一定要把整个流水线的每个环节都考虑清楚,把它们之间的顺序依赖关系化成一个简易的流程图,对着流程图再写程序就会清晰很多。我们可以把每一个模块都写成一个函数,先对函数做好单元测试,再把这些函数按顺序组合起来就行啦。分而治之,有机组合这就是编程的奥义。再复杂的项目,都是由一个个模块组建起来的,这和搭积木是一样的道理。

8eoaDA.png

这个流程图只用单项箭头画出了获取一张图片的全部过程,这就相当于一个工人在干活,我们的计算机是一个大工厂里面有成千上万个工人,只让一个工人干活其他的人都在为他加油嘛?那也太说不过去,在下一篇文章中,我们将画出完整的流程图,分析出其他工人没活干的原因,然后充分调动起计算机的算力,来提升程序的运行效率。

如果您觉得我们写得还不错,记得 点赞 + 关注 + 评论 三连???,鼓励我们写出更好的教程?

想要学习更多精彩的实战技术教程?来图雀社区[5]逛逛吧。

参考资料

[1]

图雀社区: https://tuture.co/

[2]

灿若星空: https://blog.csdn.net/crxk_

[3]

爬虫养成记——先跨进这个精彩的世界(女生定制篇): https://juejin.im/post/5e60587e6fb9a07ca1371e6f

[4]

谈谈 UserAgent 字符串的规律和伪造方法: https://juejin.im/entry/59cf793a51882550b219567b

[5]

图雀社区: https://tuture.co?utm_source=juejin_zhuanlan

代码语言:javascript
复制
● 1.5万字概括ES6全部特性● 妙用CSS变量,让你的CSS变得更心动● 拒绝删库跑路!上手 Docker 容器数据管理

·END·

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-03-16,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 图雀社区 微信公众号,前往查看

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

本文参与 腾讯云自媒体同步曝光计划  ,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
目录
  • 前情回顾
  • 出门先化妆
    • http协议里面的“瓶瓶罐罐”
    • 顺藤摸瓜
      • 摸瓜第1步:提取标题链接
        • 摸瓜第2步:提取末页链接,得出组图页数
          • 摸瓜第3步:根据首尾链接构造url
            • 摸瓜第4步:存储图片,摸瓜成功
            • 回首掏
              • 参考资料
              相关产品与服务
              云服务器
              云服务器(Cloud Virtual Machine,CVM)提供安全可靠的弹性计算服务。 您可以实时扩展或缩减计算资源,适应变化的业务需求,并只需按实际使用的资源计费。使用 CVM 可以极大降低您的软硬件采购成本,简化 IT 运维工作。
              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