【Python】下载 XKCD 漫画 如何实现教程
原创
#! python3
# downloadXkcd.py - Downloads every single XKCD comic.
import requests, os, bs4
url = 'https://xkcd.com' # starting url
os.makedirs('xkcd', exist_ok=True) # store comics in ./xkcd
while not url.endswith('#'):
# TODO: Download the page.
# TODO: Find the URL of the comic image.
# TODO: Download the image.
# TODO: Save the image to ./xkcd
# TODO: Get the Prev button's url.
print('Done')你会有一个 url 变量，开始的值是'http://x.com'，然后反复更新（在一个 for 循环中），变成当前页面的 Prev 链接的 URL。在循环的每一步，你将下载 URL 上 的漫画。如果 URL 以'#'结束，你就知道需要结束循环。 将图像文件下载到当前目录的一个名为 xkcd 的文件夹中。调用 os.makedirs() 函数。确保这个文件夹存在，并且关键字参数 exist_ok=True 在该文件夹已经存在时， 防止该函数抛出异常。剩下的代码只是注释，列出了剩下程序的大纲。
下载网页
我们来实现下载网页的代码。让你的代码看起来像这样：
#! python3
# downloadXkcd.py - Downloads every single XKCD comic.
import requests, os, bs4
url = 'https://xkcd.com' # starting url
os.makedirs('xkcd', exist_ok=True) # store comics in ./xkcd
while not url.endswith('#'):
# Download the page.
print('Downloading page %s...' % url)
res = requests.get(url)
res.raise_for_status()
soup = bs4.BeautifulSoup(res.text)
# TODO: Find the URL of the comic image.
# TODO: Download the image.
# TODO: Save the image to ./xkcd
# TODO: Get the Prev button's url.
print('Done')首先，打印 url，这样用户就知道程序将要下载哪个 URL。然后利用 requests 模块的 request.get()函数下载它。像以往一样，马上调用 Response对象的 raise_for_status()方法， 如果下载发生问题，就抛出异常，并终止程序。否则，利用下载页面的文本创建一 个 BeautifulSoup 对象。
寻找和下载漫画图像
让你的代码看起来像这样：
#! python3
# downloadXkcd.py - Downloads every single XKCD comic.
import requests, os, bs4
--snip--
# Find the URL of the comic image.
comicElem = soup.select('#comic img')
if comicElem == []:
print('Could not find comic image.')
else:
comicUrl = 'https:' + comicElem[0].get('src')
# Download the image.
print('Downloading iamge %s...' % (comicUrl))
res = requests.get(comicUrl)
res.raise_for_status()
# TODO: Save the image to ./xkcd
# TODO: Get the Prev button's url.
print('Done')用开发者工具检查 XKCD 主页后，你知道漫画图像的<img>元素是在一个<div>元 素中，它带有的 id 属性设置为 comic。所以选择器'#comic img'将从 BeautifulSoup 对象中选出正确的<img>元素。 有一些 XKCD 页面有特殊的内容，不是一个简单的图像文件。这没问题，跳过它们 就好了。如果选择器没有找到任何元素，那么 soup.select('#comic img')将返回一个空的列 表。出现这种情况时，程序将打印一条错误消息，不下载图像，继续执行。 否则，选择器将返回一个列表，包含一个<img>元素。可以从这个<img>元素中 取得 src 属性，将它传递给 requests.get()，下载这个漫画的图像文件。
保存图像，找到前一张漫画
让你的代码看起来像这样：
#! python3
# downloadXkcd.py - Downloads every single XKCD comic.
import requests, os, bs4
--snip--
# Save the image to ./xkcd
imageFile = open(os.path.join('xkcd', os.path.basename(comicUrl)), 'wb')
for chunk in res.iter_content(100000):
imageFile.write(chunk)
# Get the Prev button's url.
prevLink = soup.select('a[rel="prev"]')[0]
url = 'http://xkcd.com' + prevLink.get('href')
print('Done')这时，漫画的图像文件保存在变量 res 中。你需要将图像数据写入硬盘的文件。 你需要为本地图像文件准备一个文件名，传递给 open()。comicUrl 的值类似 'http://imgs.xkcd.com/comics/heartbleed_explanation.png'。你可能注意到，它看起来很 像文件路径。实际上，调用 os.path.basename()时传入 comicUrl，它只返回 URL 的 最后部分：'heartbleed_explanation.png'。你可以用它作为文件名，将图像保存到硬 盘。用 os.path.join()连接这个名称和 xkcd 文件夹的名称，这样程序就会在 Windows 下使用倒斜杠（\），在 OS X 和 Linux 下使用斜杠（/）。既然你最后得到了文件名， 就可以调用 open()，用'wb'模式打开一个新文件。 回忆一下本章早些时候，保存利用 Requests 下载的文件时，你需要循环处理 iter_content()方法的返回值。for 循环中的代码将一段图像数据写入文件（每次最多 10 万字节），然后关闭该文件。图像现在保存到硬盘中。 然后，选择器'a[rel="prev"]'识别出rel 属性设置为 prev 的<a>元素，利用这个<a> 元素的 href 属性，取得前一张漫画的 URL，将它保存在 url 中。然后 while 循环针 对这张漫画，再次开始整个下载过程。 这个程序的输出看起来像这样：
Downloading page http://xkcd.com... Downloading image http://imgs.xkcd.com/comics/phone_alarm.png... Downloading page http://xkcd.com/1358/... Downloading image http://imgs.xkcd.com/comics/nro.png... Downloading page http://xkcd.com/1357/... Downloading image http://imgs.xkcd.com/comics/free_speech.png... Downloading page http://xkcd.com/1356/... Downloading image http://imgs.xkcd.com/comics/orbital_mechanics.png... Downloading page http://xkcd.com/1355/... Downloading image http://imgs.xkcd.com/comics/airplane_message.png... Downloading page http://xkcd.com/1354/... Downloading image http://imgs.xkcd.com/comics/heartbleed_explanation.png... --snip-- 这个项目是一个很好的例子，说明程序可以自动顺着链接，从网络上抓取大量 的数据。你可以从 Beautiful Soup 的文档了解它的更多功能：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#
类似程序的想法
下载页面并追踪链接，是许多网络爬虫程序的基础。类似的程序也可以做下面的事情： • 顺着网站的所有链接，备份整个网站。
• 拷贝一个论坛的所有信息。
• 复制一个在线商店中所有产品的目录。
requests 和 BeautifulSoup 模块很了不起，只要你能弄清楚需要传递给 requests.get() 的 URL。但是，有时候这并不容易找到。或者，你希望编程浏览的网站可能要求你先 登录。selenium 模块将让你的程序具有执行这种复杂任务的能力。
完整代码
#! python3
# downloadXkcd.py - Downloads every single XKCD comic.
import requests, os, bs4
url = 'https://xkcd.com' # starting url
os.makedirs('xkcd', exist_ok=True) # store comics in ./xkcd
while not url.endswith('#'):
# Download the page.
print('Downloading page %s...' % url)
res = requests.get(url)
res.raise_for_status()
soup = bs4.BeautifulSoup(res.text)
# Find the URL of the comic image.
comicElem = soup.select('#comic img')
if comicElem == []:
print('Could not find comic image.')
else:
comicUrl = 'https:' + comicElem[0].get('src')
# Download the image.
print('Downloading iamge %s...' % (comicUrl))
res = requests.get(comicUrl)
res.raise_for_status()
# Save the image to ./xkcd
imageFile = open(os.path.join('xkcd', os.path.basename(comicUrl)), 'wb')
for chunk in res.iter_content(100000):
imageFile.write(chunk)
# Get the Prev button's url.
prevLink = soup.select('a[rel="prev"]')[0]
url = 'http://xkcd.com' + prevLink.get('href')
print('Done')原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
腾讯云开发者
