yokon's blog

Python爬虫(6):煎蛋网全站妹子图爬虫

2017.06.04

上一篇文章中我们抓取了豆瓣图书的数据,如果大家运行成功,并且看到文件夹下的 txt 文件了。是不是有一种刚接触编程,第一次输出Hello world!时的欣喜。和上一篇实践不同,我们这一次来爬取 煎蛋网 全站妹子图,并且保存到指定文件夹下。

爬取流程

  • 从煎蛋网妹子图第一页开始抓取;
  • 爬取分页标签获得最后一页数字;
  • 根据最后一页页数,获得所有页URL
  • 迭代所有页,对页面所有妹子图片url进行抓取;访问图片URL并且保存图片到文件夹。

开始

通过上一篇文章的爬取过程,我们基本上理解了抓取一个网站的大致流程。因为一个网站虽然有很多页,但是大部分网站每一页的HTML标签内容都是相同的。我们只要获取到一页的内容,就可以获得所有页的内容了。那么开始之前,我们来分析一下煎蛋网妹子图页面的URL

第一页的 url:http://jandan.net/ooxx/page-1

第二页:http://jandan.net/ooxx/page-2

最后一页:http://jandan.net/ooxx/page-93

不难发现,煎蛋网的 url 的规律是比较简单的,每一页后面 page 的数字就是几。那么我们可以通过一个循环就可以获得所有的页面 URL 了。但是大家应该想到,这个网站每天都会更新,今天是 93 页,明天就会增加到94页了。如果每一都要爬一次的话,那么每次都要改一下代码页数信息了。这样实现起来虽然可以,但是不免有些愚蠢。

所以我们需要通过页面的标签信息让程序自己获得页数,我们访问http://jandan.net/ooxx/这个页面时,就相当于我们直接访问了最后一页。大家可以自己试试看。

post8_1.jpg

图中我们可以明确的看到最后一页的数字是94.只要通过这个页面的URL进行抓取就可以得到。我们先获得源码:

import requests
from bs4 import BeautifulSoup

url = 'http://jandan.net/ooxx/'
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}
resp = requests.get(url, headers=headers)

soup = BeautifulSoup(resp.text, 'lxml')

我们按下f12,从页面源码中找到最后一页 94 所在的标签:

post8_2.jpg

原来 94 就在这个span标签啊。接下来是不是很简单了:

# 获得最高页码数
allpage = soup.find('span', class_="current-comment-page").get_text()[1:-1]

由于标签内的 94 边包含一个[],大家不要以为只是一个list,只要[0]就可以获得的。我们完全可以使用type(),看一下他的属性,就知道它是一个字符串,我们利用切片去掉第一个和最后一个字符,就得到了页数了。 得到页数后,我们利用循环就可以得到所有页的url了:

urllist = []
# for循环迭代出所有页面,得到url
for page in range(1, int(allpage)+1):
	allurl = base_url + 'page-' + str(page)
	urllist.append(allurl)

我们把它保存到一个list中。 那么现在,我们得到所有页面的 url,就可以来获取每一页的内容了。我们以最后一页为例来进行抓取。

post8_3.jpg

我们仍然使用审查元素,找到图片 url 所在的标签。仍然是老方法,获取到页面所有包含图片的img标签:

# css选择器
allimgs = soup.select('div.text > p > img')

只要一行代码,我们就成功获得所有标签了。这里使用了 CSS选择器,大家是否还记得这个方法呢。可以查看之前的文章或者BeautifulSoup的官方文档了解哦。如果大家对 CSS 不是很熟悉,或者根本不知道。也没关系,反正find_all()find()方法也是可以实现的。不过这里我教大家一个简单的CSS选择器方法。

我们只要按f12打开浏览器的开发者工具,找到标签的位置,右击标签。就可以看到这个情况:

post8_4.jpg

没错,我们直接Copy selector的内容,粘贴出来就是这样的字符串:#comment-3468457 > div > div > div.text > p > img

我们稍微去掉前面的一些标签,大多数情况下保留到父标签后面的内容就可以了。就是这样:div.text > p > img

我们放到代码中,运行一下就知道是不是成功了。

结果只一个列表:

[<img onload="add_img_loading_mask(this, load_sina_gif);" org_src="//wx4.sinaimg.cn/mw690/6adc108fly1fg90v6vzipg20ak05xqv5.gif" src="//wx4.sinaimg.cn/thumb180/6adc108fly1fg90v6vzipg20ak05xqv5.gif"/>, <img onload="add_img_loading_mask(this, load_sina_gif);" org_src="//wx4.sinaimg.cn/mw690/6adc108fly1fg90qymd8pg20dc0dcnph.gif" src="//wx4.sinaimg.cn/thumb180/6adc108fly1fg90qymd8pg20dc0dcnph.gif"/>, <img onload="add_img_loading_mask(this, load_sina_gif);" org_src="//wx4.sinaimg.cn/mw690/6adc108fly1fg90s98qsbg207e08mu10.gif" src="//wx4.sinaimg.cn/thumb180/6adc108fly1fg90s98qsbg207e08mu10.gif"/>, <img onload="add_img_loading_mask(this, load_sina_gif);" org_src="//wx3.sinaimg.cn/mw690/6adc108fly1fg90v51p5eg20a00dchdv.gif" src="//wx3.sinaimg.cn/thumb180/6adc108fly1fg90v51p5eg20a00dchdv.gif"/>, <img src="//wx4.sinaimg.cn/mw600/a1b56627gy1fdb7851js0j20ku4xcx6q.jpg"/>, <img src="//wx4.sinaimg.cn/mw600/a1b56627gy1fdb78fw14yj20dc46pb2a.jpg"/>, <img src="//wx3.sinaimg.cn/mw600/a1b56627gy1fdb78hqr1kj20dc1i0x02.jpg"/>, <img src="//wx4.sinaimg.cn/mw600/a1b56627gy1fdb78ldnwbj20ku3ei4qq.jpg"/>, <img src="//wx4.sinaimg.cn/mw600/a82b014bly1fg8gkj95toj21kw1kwh3s.jpg"/>, <img src="//wx4.sinaimg.cn/mw600/a82b014bly1fg8gkhmfraj21kw11xgth.jpg"/>, <img src="//wx2.sinaimg.cn/mw600/a82b014bly1fg8gklclivj21kw2dc1dg.jpg"/>, <img src="//wx2.sinaimg.cn/mw600/a82b014bly1fg8eohjekwj21421jkah5.jpg"/>]

很显然,这一页的图片URL都在这里。 接下来就是提取img标签的src属性了。

for img in list:
	urls = img['src']
	# 判断url是否完整
	if urls[0:5] == 'http:':
		img_url = urls
	else:
		img_url = 'http:' + urls

由于有的标签内url并不完整,所以这里我们进行一次判断。如果不完整就给他补全。

好了,图片的 url 都获得了,接下来就是保存图片了。大家还记得之前我们介绍Requests模块的时候,有过保存图片的演示。 因为万维网中每个图片,每个视频都有唯一的 url 指向它们。所以我们只要访问这个 url,并且获得图片的二进制数据,保存到本地就可以了。

imgs = requests.get(img_urlheaders=headers)
filename = img_url.split('/')[-1]
# 保存图片
with open(filename, 'wb') as f:
	# 直接过滤掉保存失败的图片,不终止程序
	try:
		f.write(imgs.content)
		print('Sucessful image:',filename)
	except:
		print('Failed:',filename)

大家注意,获取图片二进制数据是.content方法,而不是.text。这里我们有一个错误过滤,因为保存的过程中会有一些文件保存错误的情况,我们直接过滤掉,不终止程序的运行。

好了,爬虫程序到这里基本上已经全部实现了。但是我们如果把所有的图片存放在一个文件夹中,而且还是代码所在文件夹,不免有些难看。我们可以自己指定他们存放的位置。这里需要用的Python内置的os库了,不清楚的伙伴可以自己查看资料哈。

# 创建文件夹的函数,保存到D盘
def mkdir(path):
	# os.path.exists(name)判断是否存在路径
	# os.path.join(path, name)连接目录与文件名
	isExists = os.path.exists(os.path.join("D:\jiandan", path))
	# 如果不存在
	if not isExists:
		print('makedir', path)
		# 创建文件夹
		os.makedirs(os.path.join("D:\jiandan", path))
		# 切换到创建的文件夹
		os.chdir(os.path.join("D:\jiandan", path))
		return True
	# 如果存在了就返回False
	else:
		print(path, 'already exists')
		return False

我们只要传给这个函数一个路径参数就可以创建文件夹了。全部的功能都已经实现了,如果不出现以外的话,大家就可以在 d 盘看到这个文件夹了。

post8_5.jpg

如果程序出现错误,可能是我们的程序访问过于频繁,网站封禁了我们的ip。这时,我们就要使用一个代理了。网上免费的代理很多,大家可以自己找,这里简单做一个使用代理的演示。由于是免费ip,不会存活太久就会不能使用,大家不要直接使用代码中的ip。后续可以带着大家一起代建一个自己的代理池。

proxies = {'http': '111.23.10.27:8080'}
try:
	# Requests库的get请求
	resp = requests.get(url, headers=headers)
except:
	# 如果请求被阻,就使用代理
	resp = requests.get(url, headers=headers, proxies=proxies)

代码

好了,最后上一下完整代码:

# -*- coding:utf-8 -*-
#  author: yukun
import requests
import os
import time
from bs4 import BeautifulSoup


# 发出请求获得HTML源码
def get_html(url):
	# 指定一个浏览器头
	headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}
	# 代理,免费的代理只能维持一会可能就没用了,自行更换
	proxies = {'http': '111.23.10.27:8080'}
	try:
		# Requests库的get请求
		resp = requests.get(url, headers=headers)
	except:
		# 如果请求被阻,就使用代理
		resp = requests.get(url, headers=headers, proxies=proxies)

	return resp

# 创建文件夹的函数,保存到D盘
def mkdir(path):
	# os.path.exists(name)判断是否存在路径
	# os.path.join(path, name)连接目录与文件名
	isExists = os.path.exists(os.path.join("D:\jiandan", path))
	# 如果不存在
	if not isExists:
		print('makedir', path)
		# 创建文件夹
		os.makedirs(os.path.join("D:\jiandan", path))
		# 切换到创建的文件夹
		os.chdir(os.path.join("D:\jiandan", path))
		return True
	# 如果存在了就返回False
	else:
		print(path, 'already exists')
		return False

# 获得图片地址调用download函数进行下载
def get_imgs():
	# 调用函数获得所有页面
	for url in all_page():
		path = url.split('-')[-1]
		# 创建文件夹的函数
		mkdir(path)
		# 调用请求函数获得HTML源码
		html = get_html(url).text
		# 使用lxml解析器,也可以使用html.parser
		soup = BeautifulSoup(html, 'lxml')
		# css选择器
		allimgs = soup.select('div.text &gt; p &gt; img')
		# 调用download函数下载保存
		download(allimgs)
	# 执行完毕打出ok
	print('ok')

# 获得所有页面
def all_page():
	base_url = 'http://jandan.net/ooxx/'
	# BeautifulSoup解析页面得到最高页码数
	soup = BeautifulSoup(get_html(base_url).text, 'lxml')
	# 获得最高页码数
	allpage = soup.find('span', class_="current-comment-page").get_text()[1:-1]
	urllist = []
	# for循环迭代出所有页面,得到url
	for page in range(1, int(allpage)+1):
		allurl = base_url + 'page-' + str(page)
		urllist.append(allurl)
	return urllist

# 保存图片函数,传入的参数是一页所有图片url集合
def download(list):
	for img in list:
		urls = img['src']
		# 判断url是否完整
		if urls[0:5] == 'http:':
			img_url = urls
		else:
			img_url = 'http:' + urls
		filename = img_url.split('/')[-1]
		# 保存图片
		with open(filename, 'wb') as f:
			# 直接过滤掉保存失败的图片,不终止程序
			try:
				f.write(get_html(img_url).content)
				print('Sucessful image:',filename)
			except:
				print('Failed:',filename)

if __name__ == '__main__':
	# 计时
	t1 = time.time()
	# 调用函数
	get_imgs()
	print(time.time() - t1)

经过计时,我们只需要146秒就爬取了全站的妹子图片了,大家注意身体。

谢谢阅读