欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

程序员文章站 2022-05-17 10:36:40
...

爬虫入门系列教程:

转载请注明出处:https://blog.csdn.net/aaronjny/article/details/80291997


时隔好久,爬虫教程终于更新了。不好意思啊= =

这篇教程主要讲如何将网络上的图片保存到本地来,以及如何利用接口解析完成动态页面的抓取。

本来是想依然用“妹子图”站点来演示的,结果点击去一看,没想到只过去一年,里面的图片却尺度越来越大了。。。还是算了。

看了一下,还是用“淘女郎”来演示吧,这也是一个用的比较多的例子。读完本文,你将掌握以下技能:

  • “淘女郎”爬虫的demo和逻辑

  • 基于对接口的解析完成动态页面的抓取

  • 使用python创建文件夹

  • 将网络上的图片(或文件)保存到本地

  • 基本的反ban措施

特别声明:本爬虫仅供学习使用,该博客撰写也仅出于学习目的,请勿用于商业活动,博主不承担相关法律责任。

1.创建项目

首先,在pycharm里面创建一个项目,就按站点域名来命名吧,mm_taobao

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

创建完成之后,打开项目。然后创建新的py文件,命名为spider.py。相关代码将在spider.py里进行编写。

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

ok,接下来我们对要采集的站点进行研究。

2.研究目标站点

我们要采集的站点是“淘女郎”。百度搜索一下,就能够找到链接,比如当前的链接是https://mm.taobao.com/search_tstar_model.htm(如果淘宝的网站架构做了相关调整,这个链接可能会改变)。

页面大概是这个样子的:

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

我们想要获得的内容如下:淘女郎名字、所在地、以及该名模特发布的一系列图片。

其中,名字和所在地我们已经看到了,而点击该模特的肖像,就能进入该模特的主页,里面有她发布的一系列图片:

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

那么,如何来编写爬虫呢?

首先,我们回到主页上来。在主页上能够看到模特的列表,比如说第一个模特,名为“朱琳”。好的,让我们邮件点击页面,查看源码。然后在源码中搜索“朱琳”,你会看到:

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

什么鬼?为什么源码中找不到?

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

读过前面两篇博文,你应该知道,爬虫获取的内容是从源码中取得的。但是我在页面中明明看到了,在源码里面却没用,这怎么爬?

这就是动态页面抓取。当我们访问这个网址的时候,浏览器返回给我们的只有一部分信息。仔细观察源码就能发现,在本应该显示模特信息的地方,源码是这个样子的:

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

数据加载中……事实上,服务器是先给我们返回了这个页面,然后又通过ajax技术,请求了另外一个接口。接口返回了淘女郎们的信息,随后浏览器运行javascript代码,将这些信息填充到先前的页面中,因此,我们才在页面中看到了淘女郎们的信息。右键点击页面,选择“检查”,在“网络”一栏中能够看到真相(可能要刷新页面):

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

能够看到,共进行了两次请求,第一次是我们先前看到的源码,第二次就是淘女郎们相关信息。点开之后,右边有展示。我们需要的淘女郎姓名、所在地以及userId都能够从中获得(userId用于构建模特个人主页访问地址)。

嗯,大概是这个样子。开始写代码吧,其余的问题我们在编码的过程中进行探讨。

3.解析首页

在你对requests库和web请求过程有所了解后,你已经能够很轻松编写出请求首页接口的代码来:

# coding=utf-8
import sys

reload(sys)
sys.setdefaultencoding('utf8')
import requests
from bs4 import BeautifulSoup
import json

index_url = 'https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'


def parse_index():
    """
    解析淘女郎首页接口
    :return:
    """
    # 创建一个session
    session = requests.Session()
    # 设置用于访问的请求头
    headers = {
        'accept': 'application/json, text/javascript, */*; q=0.01',
        'accept-encoding': 'gzip, deflate, br',
        'accept-language': 'zh-CN,zh;q=0.9',
        'content-type': 'application/x-www-form-urlencoded; charset=UTF-8',
        'origin': 'https://mm.taobao.com',
        'referer': 'https://mm.taobao.com/search_tstar_model.htm',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
        'x-requested-with': 'XMLHttpRequest',
    }
    # 设置post的数据
    data = {
        'q': '',
        'viewFlag': 'A',
        'sortType': 'default',
        'searchStyle': '',
        'searchRegion': 'city:',
        'searchFansNum': '',
        'currentPage': '1',
        'pageSize': '100',
    }
    # 进行请求,并用resp接收返回结果
    resp = session.post(url=index_url, data=data,
                        headers=headers)
    # 打印返回结果
    print resp
    print resp.content


if __name__ == '__main__':
    parse_index()

Session是requests库中的一个类,创建session对象进行访问的好处是,session对象能够自动维护访问的cookies信息。当然,它是不具备执行javascript代码的能力的,因此通过javascript修改的cookies信息它是记录不到的。

为什么要记录cookies?

因为有些站点,在你进行请求时,服务器可能会验证你的cookies信息。当cookies信息不正确时,服务器就会拒绝你的访问。

随后,我们设置了本次访问的headers和data,也就是请求消息头和post传递的数据。这些数据都可以从“检查”-“网络”-点击相关请求-“Headers”栏获得:

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

设置headers和data的目的是,为了将本次请求伪装成浏览器的请求,并通过传递的数据控制服务器返回我们需要的信息。更多的这里就不多说了,后面会在反ban的教程中做详细介绍。

接口的地址也是从这里获得的。

让我们运行一下代码,可以看到,访问成功了,返回的结果是一个json字符串。

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

接下来,我们进行解析吧。解析json字符串,我们需要用到Python的json库,它能够将一个json字符串转换为一个字典对象(或者反过来也可以)。我们将利用json库从返回的内容中提取需要的信息。

# 将json字符串转换成字典对象
    data=json.loads(resp.content.decode('gb2312'))
    # 找到含有淘女郎信息的列表
    data=data['data']['searchDOList']
    for mm in data:
        print mm['city']
        print mm['realName']
        print mm['userId']
        print '*'*80

需要注意的是,返回的消息的编码为gb2312,我们需要先进行decode,将其变为utf8,不然会出现乱码。现在运行一下代码看一下,我们已经成功提取出了信息:

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

测试没出现问题,那么,我们把代码稍微改一下,以适应接下来的步骤。修改后的代码稍后给出。

4.解析模特主页

请求模特主页的代码应该也不存在什么问题,跟上面那个是差不多的,区别只是一个用get一个用post而已。代码如下:

# coding=utf-8
import sys

reload(sys)
sys.setdefaultencoding('utf8')
import requests
from bs4 import BeautifulSoup
import json
import os

index_url = 'https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'
base_path = 'images'


def parse_index():
    """
    解析淘女郎首页接口
    :return:
    """
    # 创建一个session
    session = requests.Session()
    # 设置用于访问的请求头
    headers = {
        'accept': 'application/json, text/javascript, */*; q=0.01',
        'accept-encoding': 'gzip, deflate, br',
        'accept-language': 'zh-CN,zh;q=0.9',
        'content-type': 'application/x-www-form-urlencoded; charset=UTF-8',
        'origin': 'https://mm.taobao.com',
        'referer': 'https://mm.taobao.com/search_tstar_model.htm',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
        'x-requested-with': 'XMLHttpRequest',
    }
    # 设置post的数据
    data = {
        'q': '',
        'viewFlag': 'A',
        'sortType': 'default',
        'searchStyle': '',
        'searchRegion': 'city:',
        'searchFansNum': '',
        'currentPage': '1',
        'pageSize': '100',
    }
    # 进行请求,并用resp接收返回结果
    resp = session.post(url=index_url, data=data,
                        headers=headers)
    # 打印返回结果
    print resp
    print resp.content

    # 将json字符串转换成字典对象
    data = json.loads(resp.content.decode('gb2312'))
    # 找到含有淘女郎信息的列表
    data = data['data']['searchDOList']
    for mm in data:
        city = mm['city']
        name = mm['realName']
        userid = mm['userId']
        next_url = 'https://mm.taobao.com/self/aiShow.htm?userId={}'.format(userid)
        parse_mmpage(session, next_url, city, name)
        # 这里的break是用于测试的,只测试一个就跳出
        break


def parse_mmpage(session, url, city, name):
    # 检查是否存在base_path目录,不存在则创建
    if not os.path.exists(base_path):
        os.mkdir(base_path)
    # 检测是否存在当前 姓名-城市 的文件夹,不存在则创建
    current_path = os.path.join(base_path, '{}-{}'.format(name, city).encode('gbk')) # windows下转成了gbk,linux下不需要
    if not os.path.exists(current_path):
        os.mkdir(current_path)
    # 设置请求消息头
    headers = {
        'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'accept-encoding': 'gzip, deflate, br',
        'accept-language': 'zh-CN,zh;q=0.9',
        'referer': 'https://mm.taobao.com/search_tstar_model.htm',
        'upgrade-insecure-requests': '1',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
    }
    # 请求页面
    resp = session.get(url=url, headers=headers)
    # 打印结果
    print resp
    print resp.content.decode('gbk')


if __name__ == '__main__':
    parse_index()

解析淘女郎主页的for循环部分,为了方便测试,我只处理了一个就break了。

创建目录的时候,因为目前是在Windows上写的这篇博客,所以目录名字需要先转成gbk编码的,否则会出现乱码。如果在Linux上进行编写,则不用考虑这个问题。

请求模特主页源码时,因为该主页源码为gbk编码,所以需要先使用gbk对其解码。做爬虫的话,关于字符编解码的知识还是要知道的,不清楚的同学可以百度一下相关知识,这里就不多说了。

执行一下代码,可以看到,成功获得了网页源码:

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

而且也创建了相关目录(我使用的是相对路径,所以创建的文件夹位于当前项目根目录):

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

接下来,我们要从返回的网页源码中提取图片地址的列表。使用浏览器的“检查”功能对页面进行分析,发现主页上的照片均来自<div class="mm-aixiu-content" id="J_ScaleImg">这个div。我们提取这个div中所有img的链接即可实现目标。

# 解码
    content = resp.content.decode('gbk')
    # 构建beautifulsoup对象
    bsobj = BeautifulSoup(content, 'lxml')
    # 获取div中所有的img对象
    img_list = bsobj.find('div', {'class': 'mm-aixiu-content', 'id': 'J_ScaleImg'}).find_all('img')
    # 遍历img对象,获得其下载地址
    for img in img_list:
        src = 'http:' + img.get('src')
        print src

运行一下,我们已经成功提取了图片链接:

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

5.下载图片

接下来就是下载图片了,可以这样写:

# coding=utf-8
import sys

reload(sys)
sys.setdefaultencoding('utf8')
import requests
from bs4 import BeautifulSoup
import json
import os

index_url = 'https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'
base_path = 'images'


def parse_index():
    """
    解析淘女郎首页接口
    :return:
    """
    # 创建一个session
    session = requests.Session()
    # 设置用于访问的请求头
    headers = {
        'accept': 'application/json, text/javascript, */*; q=0.01',
        'accept-encoding': 'gzip, deflate, br',
        'accept-language': 'zh-CN,zh;q=0.9',
        'content-type': 'application/x-www-form-urlencoded; charset=UTF-8',
        'origin': 'https://mm.taobao.com',
        'referer': 'https://mm.taobao.com/search_tstar_model.htm',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
        'x-requested-with': 'XMLHttpRequest',
    }
    # 设置post的数据
    data = {
        'q': '',
        'viewFlag': 'A',
        'sortType': 'default',
        'searchStyle': '',
        'searchRegion': 'city:',
        'searchFansNum': '',
        'currentPage': '1',
        'pageSize': '100',
    }
    # 进行请求,并用resp接收返回结果
    resp = session.post(url=index_url, data=data,
                        headers=headers)
    # 打印返回结果
    print resp
    print resp.content

    # 将json字符串转换成字典对象
    data = json.loads(resp.content.decode('gb2312'))
    # 找到含有淘女郎信息的列表
    data = data['data']['searchDOList']
    for mm in data:
        city = mm['city']
        name = mm['realName']
        userid = mm['userId']
        next_url = 'https://mm.taobao.com/self/aiShow.htm?userId={}'.format(userid)
        parse_mmpage(session, next_url, city, name)
        # 这里的break是用于测试的,只测试一个就跳出
        break


def parse_mmpage(session, url, city, name):
    """
    解析模特主页
    :param session: 
    :param url: 需要请求的地址
    :param city: 模特所在的城市
    :param name: 模特的姓名
    :return: 
    """
    # 检查是否存在base_path目录,不存在则创建
    if not os.path.exists(base_path):
        os.mkdir(base_path)
    # 检测是否存在当前 姓名-城市 的文件夹,不存在则创建
    current_path = os.path.join(base_path, '{}-{}'.format(name, city).encode('gbk'))  # windows下转成了gbk,linux下不需要
    if not os.path.exists(current_path):
        os.mkdir(current_path)
    # 设置请求消息头
    headers = {
        'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'accept-encoding': 'gzip, deflate, br',
        'accept-language': 'zh-CN,zh;q=0.9',
        'referer': 'https://mm.taobao.com/search_tstar_model.htm',
        'upgrade-insecure-requests': '1',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
    }
    # 请求页面
    resp = session.get(url=url, headers=headers)
    # 打印结果

    # 解码
    content = resp.content.decode('gbk')
    # 构建beautifulsoup对象
    bsobj = BeautifulSoup(content, 'lxml')
    # 获取div中所有的img对象
    img_list = bsobj.find('div', {'class': 'mm-aixiu-content', 'id': 'J_ScaleImg'}).find_all('img')
    # 遍历img对象,获得其下载地址
    for img in img_list:
        src = 'http:' + img.get('src')
        download_img(src, current_path, '0.jpg')
        break


def download_img(url, path, name):
    """
    下载一张图片
    :param url: 图片地址 
    :param path: 图片保存路径
    :param name: 图片保存名称
    :return: 
    """
    # 设置请求头
    headers = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Host': 'img.alicdn.com',
        'Upgrade-Insecure-Requests': '1',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
    }
    # 下载图片
    resp = requests.get(url, headers=headers)
    # 将图片以二进制的形式写入到文件中
    with open(os.path.join(path, name), 'wb') as f:
        f.write(resp.content)


if __name__ == '__main__':
    parse_index()

为了方便测试,当前代码只下载第一页的第一位淘女郎的第一张图片。图片的请求头的获取与前面类似,把网址改成图片的地址就行了。运行查看结果:

python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 )

6.完善代码

主要的编码已经完成了,并且在编码过程中验证了我们的代码时可行的。那么,现在我们来完善一下我们的代码,去除测试用代码,并完善其功能。

# coding=utf-8
import sys

reload(sys)
sys.setdefaultencoding('utf8')
import requests
from bs4 import BeautifulSoup
import json
import os
import logging

# 首页接口地址
index_url = 'https://mm.taobao.com/tstar/search/tstar_model.do?_input_charset=utf-8'
# 存放图片的主目录
base_path = 'images'
# 下载起始页
start_page = 1
# 下载终止页
end_page = 2
# 单个模特下载的最大图片数
download_limit = 10

# 创建一个logger
logger = logging.getLogger()
logger.setLevel(logging.INFO)
formatter = logging.Formatter('%(asctime)s - %(name)s - %(levelname)s: - %(message)s',
                              datefmt='%Y-%m-%d %H:%M:%S')
ch = logging.StreamHandler()
ch.setLevel(logging.INFO)
ch.setFormatter(formatter)
logger.addHandler(ch)


def parse_index(page_num, session):
    """
    解析淘女郎首页接口
    :param page_num 要解析第几页
    :return:
    """
    logger.info(u"当前正在解析第{}页...".format(page_num))
    # 设置用于访问的请求头
    headers = {
        'accept': 'application/json, text/javascript, */*; q=0.01',
        'accept-encoding': 'gzip, deflate, br',
        'accept-language': 'zh-CN,zh;q=0.9',
        'content-type': 'application/x-www-form-urlencoded; charset=UTF-8',
        'origin': 'https://mm.taobao.com',
        'referer': 'https://mm.taobao.com/search_tstar_model.htm',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
        'x-requested-with': 'XMLHttpRequest',
    }
    # 设置post的数据
    data = {
        'q': '',
        'viewFlag': 'A',
        'sortType': 'default',
        'searchStyle': '',
        'searchRegion': 'city:',
        'searchFansNum': '',
        'currentPage': '{}'.format(page_num),
        'pageSize': '100',
    }
    # 进行请求,并用resp接收返回结果
    resp = session.post(url=index_url, data=data,
                        headers=headers)
    # 将json字符串转换成字典对象
    data = json.loads(resp.content.decode('gbk'))
    # 找到含有淘女郎信息的列表
    data = data['data']['searchDOList']
    for mm in data:
        city = mm['city']
        name = mm['realName']
        userid = mm['userId']
        next_url = 'https://mm.taobao.com/self/aiShow.htm?userId={}'.format(userid)
        parse_mmpage(session, next_url, city, name)


def parse_mmpage(session, url, city, name):
    """
    解析模特主页
    :param session:
    :param url: 需要请求的地址
    :param city: 模特所在的城市
    :param name: 模特的姓名
    :return:
    """
    logger.info(u'正在保存 {}-{} 的图片...'.format(city, name))
    # 检查是否存在base_path目录,不存在则创建
    if not os.path.exists(base_path):
        os.mkdir(base_path)
    # 检测是否存在当前 姓名-城市 的文件夹,不存在则创建
    current_path = os.path.join(base_path, '{}-{}'.format(name, city).encode('gbk'))  # windows下转成了gbk,linux下不需要
    if not os.path.exists(current_path):
        os.mkdir(current_path)
    # 设置请求消息头
    headers = {
        'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'accept-encoding': 'gzip, deflate, br',
        'accept-language': 'zh-CN,zh;q=0.9',
        'referer': 'https://mm.taobao.com/search_tstar_model.htm',
        'upgrade-insecure-requests': '1',
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
    }
    # 请求页面
    resp = session.get(url=url, headers=headers)
    # 解码
    content = resp.content.decode('gbk')
    # 构建beautifulsoup对象
    bsobj = BeautifulSoup(content, 'lxml')
    # 获取div中所有的img对象
    img_list = bsobj.find('div', {'class': 'mm-aixiu-content', 'id': 'J_ScaleImg'}).find_all('img')
    # 遍历img对象,获得其下载地址
    cnt = 1
    for img in img_list:
        try:
            src = 'http:' + img.get('src')
        except:
            continue
        logger.info(u'正在保存第{}张图片...'.format(cnt))
        cnt += download_img(src, current_path, '{}.jpg'.format(cnt))
        # 每个模特最多只下载download_limit张
        if cnt > download_limit:
            break


def download_img(url, path, name):
    """
    下载一张图片
    :param url: 图片地址
    :param path: 图片保存路径
    :param name: 图片保存名称
    :return:
    """
    # 设置请求头
    headers = {
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Host': 'img.alicdn.com',
        'Upgrade-Insecure-Requests': '1',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
    }
    # 下载图片
    resp = requests.get(url, headers=headers)
    # 舍弃掉太小的图片,它可能是图标
    if len(resp.content) < 1000:
        return 0
    # 将图片以二进制的形式写入到文件中
    with open(os.path.join(path, name), 'wb') as f:
        f.write(resp.content)
    return 1


if __name__ == '__main__':
    # 创建一个session
    session = requests.Session()
    # 从起始页到终止页,逐页抓取
    for x in range(start_page, end_page + 1):
        # 抓取一页
        parse_index(x, session)

完善的部分:

  • 可以设定抓取的起始页和终止页,程序会从起始页开始逐页抓取

  • 可以设定每个模特抓取的最大图片数,抓取到指定数目后就会跳过

  • 增加了logger部分,为程序添加必要的提示(当然,不添加程序执行会更快,但是不利于调试)

这个程序还有很多需要优化的地方,但作为一个简单的教程就只说这么多了,因为这篇博文的目的只是讲述基于接口解析的动态页面抓取图片(文件)下载,此外还涉及到了一些反ban的东西,但是没有细讲,这部分内容后面会专门介绍。

更多

github地址请点这里

emmm,终于写完了,博文写起来真心比写代码累多了= =

就这样吧,下一篇教程还不知道什么时候更,看情况吧= =(其实就是看心情嘛,23333)