大家好,又见面了,我是你们的朋友全栈君。
女神网是一个可以搜索女神的图片的网站。
废话不说,直接来干货:
环境配置:
nvshen.py
#!/usr/bin/python
# -*- coding: utf-8 -*-
import requests
from requests import RequestException
from bs4 import BeautifulSoup
import re
from multiprocessing import Pool
# import pymongo
# from config import *
import os
import time
start=24656#起始图片ID,打开任何一个图集,链接最后的那一串数字,五位数。
end=25370#终止图片ID,起始初始建议间隔大一些,然后然他自动遍历搜索有效地址
# MONGO_URL = 'localhost'#建立数据库基本参数,并且连接本地MONGODB数据库。
# MONGO_DB = 'nvshens'
# MONGO_TABLE = 'piture'
# client = pymongo.MongoClient(MONGO_URL,connect=False)#声明MONGODB数据库对象,connect=False是为了消除MONGODB有关多线程的提示
# db=client[MONGO_DB]#数据库名称
base_url='https://www.nvshens.com/g/'#宅男女神美图图片专栏下的基本网址
headers1={
"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
"Accept-Encoding":"gzip, deflate, sdch, br",
"Accept-Language":"zh-CN,zh;q=0.8",
"Cache-Control":"max-age=0",
"Connection":"keep-alive",
"Cookie":"records=%5B%7B%22id%22%3A%2225542%22%2C%22name%22%3A%22%u97E9%u96E8%u5A75%22%7D%5D; gallery_25364=1; Hm_lvt_1bb490b9b92efa278bd96f00d3d8ebb4=1517657472; Hm_lpvt_1bb490b9b92efa278bd96f00d3d8ebb4=1517658032; Hm_lvt_f378865b660846b55ba91d29e1c4c04d=1517657803; Hm_lpvt_f378865b660846b55ba91d29e1c4c04d=1517658776; gallery_24656=1",
"Host":"www.nvshens.com",
"If-Modified-Since":"Sat, 03 Feb 2018 11:19:10 GMT",
"Upgrade-Insecure-Requests":"1",
"User-Agent":"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.4295.400 QQBrowser/9.7.12661.400",
}
headers2={
'Accept':'image/webp,image/*,*/*;q=0.8',
'Accept-Encoding':'gzip, deflate, sdch, br',
'Accept-Language':'zh-CN,zh;q=0.8',
'Cache-Control':'max-age=0',
'Connection':'keep-alive',
'Host':'t1.onvshen.com:85',
"If-None-Match":"ce118ca4a39cd31:0",
"Referer":"https://www.nvshens.com/g/26099/",
'User-Agent':'Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.4295.400 QQBrowser/9.7.12661.400',
}
def tes2_url(url):
print('正在访问',url)
try:#确保每一个requests都有异常处理
response = requests.get(url, headers=headers1,timeout=5)
soup = BeautifulSoup(response.text, 'lxml')
if soup.select('#htilte'):#是否有标题,判断该页面下是否有图片集
url_true=url
return url_true
else:
print('无效地址',url)
pass
except:
pass
def url_jiexi(url_true):
response = requests.get(url_true, headers=headers1)
soup = BeautifulSoup(response.text, 'lxml')
try:
title = soup.select_one('#htilte').text
imag_num = int(re.sub("\D", "", soup.select_one('#dinfo > span').text[:3]))#正则表达式获得具体数字
imag_base = soup.img['src'][:-5]#获得src标签值,并且去掉src=这几个字符
print(title)
print(imag_num)
print(imag_base)
return (title,imag_num,imag_base)
except:
return None
def download_image(title,imag_base,i):
imag_url=imag_base+str(i).zfill(3)+".jpg"
print('正在下载',imag_url)#!!很重要,获得一个调制信息
try:
response = requests.get(imag_url, headers=headers2,timeout=10)
print(response.status_code)
if response.status_code == 200:
print("请求图片成功")
save_image(response.content, title, i)
else:
pass
return None
except RequestException:
print('请求图片出错',imag_url)
return None
def save_image(content,title,i):#创建对应分类的文件夹,并且保存图片。
dir_name_or=str(title)[:100].strip()
dir_name = re.sub("[\s+\.\!\/]+", "",dir_name_or)
print(dir_name)
dir_path='E:\BIG_DATA\PICS\{}'.format(dir_name)
try:
os.mkdir(dir_path)
print("创建文件夹成功")
except:
pass
file_path='{0}\{1}.{2}'.format(dir_path,str(i).zfill(3),'jpg')
if not os.path.exists(file_path):
with open(file_path,'wb') as f:
f.write(content)
f.close()
print("写入图片成功")
# def save_to_mongo(result):
# try:
# if db[MONGO_TABLE].insert(result):
# print('存储到MONGODB成功',result)
# return True
# return False
# except:
# print('存储错误')
def main(i):
url=base_url+str(i)
url_true=tes2_url(url)
if url_true:
title, imag_num,imag_base =url_jiexi(url_true)
for i in range(1, int(imag_num)):
download_image(title,imag_base,i)
imag_url = imag_base + str(i).zfill(3) + ".jpg"
result={
"title":title,
"indx":i,
"url":imag_url
}
print(result)
if __name__ == '__main__':
pool=Pool()
pool.map(main,[i for i in range(start,end)])
分析网站:(最重要一部分!)
作为一个爬虫新手,分析网站思路的学习是我之前学习过程中花费时间精力最大的部分。这次要爬取的网站,来自于百度搜索,宅男女神的第一个结果网站。首先打开F12,观察界面中各个图集的入口信息,发现href标签中带有信息/g/24699/,而后面这个五位数是决定图集不同的主要因素。而且,越是最新的图片,数字越大。网站是通过时间差异来给图集编号,那么只要我遍历所有编号,就能获得所有图片集地址信息了。通过手动测试发现,按顺序编号,不一定存在图集,所有需要一个函数来筛选出有效的详情图片集网址。
获得详情页地址以后,分析详情页。我们需要抓取,详情页中的标题,图片地址,图片个数。观察图片地址发现, https://t1.onvshen.com:85/gallery/25253/24581/s/030.jpg ,图片的来源格式类似于上面这个链接,同个图集下,除了结尾的三位数030不会改变,其他地方不变。通过获得图片集图片个数,确定有效图片范围,再通过获得图片集地址的固定要素,构造图片集内所有图片的获得链接。
获得图片链接后,只需要保存访问图片链接的response.content,即可实现图片下载保存。通过os库进行文件夹创建,分类保存。再设置格式,保存至MONGODB数据库
具体一分析,是不是发现挺简单的!虽然,在崔大视频里面很多爬虫的网站都带有一些难度,比如动态网站,今日头条,里面的图片链接信息就会比较隐蔽,需要多多发现才能找到。但是,这次的这个网站爬取难度还是非常低的,只需要思路清楚,接下来就是自己实现过程中的各种小问题的解决,多查百度,就能搞定了。
这个爬虫思路还有改善空间,比如说有效图片地址,可以单独设置一个py文件,去运行,保存的地址都是有效地址,就无需自己从10000遍历到30000这么多了。提取以后,遍历有效地址列表就好了。因为爬取量比较大,还可以加上多线程,加快运行速度。
最后祝大家开心顺利!
发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/133548.html原文链接:https://javaforall.cn