煎蛋网全站妹子图爬虫

龙哥

发布于 2022-03-09 15:13:58

1.2K0

发布于 2022-03-09 15:13:58

文章被收录于专栏：Python绿色通道Python绿色通道

春节到了，老板都回去过新年了，咱们打工人也忙了一年了，这几天就抓点妹子图，摸摸鱼吧。

导入模块

首先把用到的模块贴进来。

import requests
from bs4 import BeautifulSoup
import time
import random

抓取

煎蛋网的抓取流程：从第 101 页开始抓取，提取页面上的女装图片 url，请求 url 后保存图片，点击下一页，重复循环...。

当访问煎蛋网的 http://jandan.net/girl 页面的时候，它是显示的最后一页。通过上面的分页控件获取下一页的 url。

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.99 Safari/537.36'
}

def get_html(url):
    
    resp = requests.get(url = url, headers = headers)
    soup = BeautifulSoup(resp.text)
    return soup

def get_next_page(soup):
    next_page = soup.find(class_='previous-comment-page')
    next_page_href = next_page.get('href')
    return f'http:{next_page_href}'

可以看到每个图片上都有[查看原图] 的超链接，提取这个 href 就是可以下载图片了。

def get_img_url(soup):
    a_list = soup.find_all(class_ = 'view_img_link')
    urls = []
    for a in a_list:
        href = 'http:' + a.get('href')
        urls.append(href)
    return urls

保存图片就更简单了，request 请求后直接写入文件。

def save_image(urls):
    for item in urls:
        name = item.split('/')[-1]
        resp = requests.get(url=item, headers = headers)
        with open('D:/xxoo/' + name, 'wb') as f:
            f.write(resp.content)
        time.sleep(random.randint(2,5))

最后来看一下抓取结果吧。