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 >【Python爬虫】采集一个优秀艺术家相互交流的网站——P站(一个正经的网站)

【Python爬虫】采集一个优秀艺术家相互交流的网站——P站(一个正经的网站)

作者头像
松鼠爱吃饼干
发布2021-11-16 12:40:08
8180
发布2021-11-16 12:40:08
举报
文章被收录于专栏:Python分享Python分享

前言

总所周知, p站是日本知名的虚拟社区, 聚集了众多来自日本, 中国, 韩国, 美国等国家的优秀艺术家。他们在p站上相互交流, 分享高清优秀插画, 是一个正经的网站

本次受害者

目标网站:

代码语言:javascript
复制
https://www.acg-pixiv.com/tags/459.html

环境介绍

  • python 3.8 -- anaconda 安装了一些模块 / 自动的 配置环境变量
  • pycharm 2021专业版 >>> 激活码
  • requests >>> pip install requests
  • parsel >>> pip install parsel

开始代码

首先需要导入模块

代码语言:javascript
复制
import requests     # 发送网络请求的模块
import parsel       # 提取数据
import re

发送请求

代码语言:javascript
复制
url_1 = 'https://www.acg-pixiv.com/tags/450.html'
response_1 = requests.get(url_1)

获取数据

代码语言:javascript
复制
data_html_1 = response_1.text

提取数据

代码语言:javascript
复制
selector = parsel.Selector(data_html_1)
# 提取链接 属性内容 @属性名称 css xpath re 
href_list = selector.xpath('/html/body/div/div[1]/ul/li/a/@href').getall()
title_list = selector.xpath('/html/body/div/div[1]/ul/li/a/@title').getall()

详情页链接

代码语言:javascript
复制
for info in zip(href_list, title_list):
    # 索引取值 元组
    url_2 = 'https://www.acg-pixiv.com' + info[1]

每一个详情页的网页源代码

代码语言:javascript
复制
# content? 获取二进制数据
response_2 = requests.get(url_2).text

提取详情页中的图片链接

代码语言:javascript
复制
selector_2 = parsel.Selector(response_2)
# 图片链接
url = selector_2.xpath('/html/body/div/div[1]/div[1]/div/img[1]/@src').get()
print(url)

图片链接

代码语言:javascript
复制
# 当这个程序报错的时候
try:
    img_data = requests.get(img_url, timeout=5).content
except:
    # 图片链接改一下
    img_url = img_url.replace('800', '400')
    img_data = requests.get(img_url).content

替换特殊字符

代码语言:javascript
复制
title = re.sub(r'[\\/:*?"<>|]', '_', info[1])

保存数据

代码语言:javascript
复制
print(f'---------正在爬取{title}---------')
with open(f'img/{title}.jpg', mode='wb') as f:
    f.write(img_data)

运行代码,得到数据

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:2021-11-09,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 松鼠爱吃饼干 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
  • 前言
  • 本次受害者
  • 环境介绍
  • 开始代码
    • 首先需要导入模块
      • 发送请求
        • 获取数据
          • 提取数据
            • 详情页链接
              • 每一个详情页的网页源代码
                • 提取详情页中的图片链接
                  • 图片链接
                    • 替换特殊字符
                      • 保存数据
                      • 运行代码,得到数据
                      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