用Python爬取了妹子网100G的套图,值得收藏
前言
最近在做监控相关的配套设施,发现很多脚本都是基于python的。很早之前就听说其大名,人生苦短,我学python,这并非一句戏言。随着人工智能、机器学习、深度学习的崛起,目前市面上大部分的人工智能的代码 大多使用python 来编写。所以人工智能时代,是时候学点python了。
进军指南
对于没有任何语言开发经验的同学,建议从头系统的学起,无论是书、视频还是文字教程都可以。
另外注意:不管你是为了python就业还是兴趣爱好,记住:项目开发经验永远是核心,如果你缺新项目练习或者没有python精讲教程,可以去小编的python交流.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,里面很多新教程项目,还可以跟老司机交流讨教!
如果是有其他语言开发经验的同学,建议从一个案例入手,比如爬取某个网站的套图。
因为语言都是想通的,语法之类的只要你要语感,代码基本能读个八九不离十。
所以不建议有经验的开发者从头学起,无论是视频还是书,对于开始学一门语言来说都是太浪费时间了。
当然,等你深入进去以后,还是要系统的去学习,这是后话。
软件工具
python3
这里选择的是最新版 python 3.7.1
安装教程推荐:
http://www.runoob.com/python3/python3-install.html
win下载地址:
https://www.python.org/downloads/windows
linux下载地址:
https://www.python.org/downloads/source
pycharm
可视化开发工具:
http://www.jetbrains.com/pycharm
案例
实现步骤
以妹子图为例,其实很简单,分以下四步:
- 获取首页的页码数,并创建与页码对应的文件夹
- 获取页面的栏目地址
- 进入栏目,获取栏目页码数(每个栏目下有多张图片,分页显示)
- 获取到栏目下对用标签中的图片并下载
注意事项
爬取过程中,还需要注意以下几点,可能对你有所帮助:
1)导库,其实就类似于java中框架或者是工具类,底层都被封装好了
安装第三方库
# win下直接装的 python3
pip install bs4、pip install requests
# linux python2 python3 共存
pip3 install bs4、pip3 install requests
导入第三方库
# 导入requests库
import requests
# 导入文件操作库
import os
# bs4全名beautifulsoup,是编写python爬虫常用库之一,主要用来解析html标签。
import bs4
-
from bs4 import
beautifulsoup
# 基础类库
import sys
# python 3.x 解决中文编码问题
import importlib
importlib.reload(sys)
2)定义方法函数,一个爬虫可能会几百行,所以尽量不要写成一坨
def download(page_no, file_path):
# 这里写代码逻辑
3)定义全局变量
# 给请求指定一个请求头来模拟chrome浏览器
global headers # 告诉编译器这是全局变量 headers
headers = {'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/54.0.2840.99 safari/537.36'}
# 函数内使用之前需要
# 告诉编译器我在这个方法中使用的a是刚才定义的全局变量 headers ,而不是方法内部的局部变量。
global headers
4)防盗链
有些网站加入了防盗链,无所不能的 python 解决方案
headers = {'referer': href}
img = requests.get(url, headers=headers)
5)切换版本
linux服务器使用的是阿里云服务器,默认版本 python2,python3 自行安装
[root@ay140216131049z mzitu]# python2 -v
-
python
2.7.5
[root@ay140216131049z mzitu]# python3 -v
-
python
3.7.1
# 默认版本
[root@ay140216131049z mzitu]# python -v
-
python
2.7.5
# 临时切换版本 <whereis python>
[root@ay140216131049z mzitu]# alias python='/usr/local/bin/python3.7'
[root@ay140216131049z mzitu]# python -v
-
python
3.7.1
6)异常捕获
在爬取的过程中可能存在异常页面,这里我们进行捕获,不影响后续操作
try:
# 业务逻辑
-
except
exception
as e:
print(e)
代码实现
编辑脚本:vi mzitu.py
#coding=utf-8
#!/usr/bin/python
# 导入requests库
import requests
# 导入文件操作库
import os
import bs4
-
from bs4 import
beautifulsoup
import sys
import importlib
importlib.reload(sys)
# 给请求指定一个请求头来模拟chrome浏览器
global headers
headers = {'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/54.0.2840.99 safari/537.36'}
# 爬图地址
mzitu = 'http://www.mzitu.com/'
# 定义存储位置
global save_path
save_path = '/mnt/data/mzitu'
# 创建文件夹
def createfile(file_path):
-
if os.path.exists(file_path) is
false:
os.makedirs(file_path)
# 切换路径至上面创建的文件夹
os.chdir(file_path)
# 下载文件
def download(page_no, file_path):
global headers
res_sub = requests.get(page_no, headers=headers)
# 解析html
soup_sub = beautifulsoup(res_sub.text, 'html.parser')
# 获取页面的栏目地址
all_a = soup_sub.find('div',class_='postlist').find_all('a',target='_blank')
count = 0
for a in all_a:
count = count + 1
if (count % 2) == 0:
print("内页第几页:" + str(count))
# 提取href
href = a.attrs['href']
print("套图地址:" + href)
res_sub_1 = requests.get(href, headers=headers)
soup_sub_1 = beautifulsoup(res_sub_1.text, 'html.parser')
# ------ 这里最好使用异常处理 ------
try:
# 获取套图的最大数量
pic_max = soup_sub_1.find('div',class_='pagenavi').find_all('span')[6].text
print("套图数量:" + pic_max)
for j in range(1, int(pic_max) + 1):
# print("子内页第几页:" + str(j))
# j int类型需要转字符串
href_sub = href + "/" + str(j)
print(href_sub)
res_sub_2 = requests.get(href_sub, headers=headers)
soup_sub_2 = beautifulsoup(res_sub_2.text, "html.parser")
img = soup_sub_2.find('div', class_='main-image').find('img')
if isinstance(img, bs4.element.tag):
# 提取src
url = img.attrs['src']
array = url.split('/')
file_name = array[len(array)-1]
# print(file_name)
# 防盗链加入referer
headers = {'referer': href}
img = requests.get(url, headers=headers)
# print('开始保存图片')
f = open(file_name, 'ab')
f.write(img.content)
# print(file_name, '图片保存成功!')
f.close()
-
except
exception
as e:
print(e)
# 主方法
def main():
res = requests.get(mzitu, headers=headers)
# 使用自带的html.parser解析
soup = beautifulsoup(res.text, 'html.parser')
# 创建文件夹
createfile(save_path)
# 获取首页总页数
img_max = soup.find('div', class_='nav-links').find_all('a')[3].text
# print("总页数:"+img_max)
for i in range(1, int(img_max) + 1):
# 获取每页的url地址
if i == 1:
page = mzitu
else:
page = mzitu + 'page/' + str(i)
file = save_path + '/' + str(i)
createfile(file)
# 下载每页的图片
print("套图页码:" + page)
download(page, file)
- if __name__ == '__main__':
main()
脚本在linux服务器下运行,执行以下命令
python 3 mzitu.py
# 或者后台执行
nohup python3 -u mzitu.py > mzitu.log 2>&1 &
目前只爬取了一个栏目的套图,一共17g,5332张图片。
[root@itstyle mzitu]# du -sh
17g .
[root@itstyle mzitu]# ll -s
total 5332
下面,请小伙伴们睁大眼睛,鸡冻人心的套图时刻来了。
小结
作为一个初学者,脚本肯定多多少少有一些问题或者待优化的地方,另外注意不管你是为了python就业还是兴趣爱好,记住:项目开发经验永远是核心,如果你缺新项目练习或者没有python精讲教程,可以去小编的python交流.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,里面很多新教程项目,还可以跟老司机交流讨教!
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。