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  >  IT编程

实战项目 — 爬取 妹子图网,保存图片到本地

程序员文章站 2022-07-01 23:13:56
重点: 1. 用def函数 2. 使用 os.path.dirname("路径保存") , 实现每组图片保存在独立的文件夹中 方法1: 方法2: ......

 

重点:

1. 用def函数

2. 使用 os.path.dirname("路径保存") , 实现每组图片保存在独立的文件夹中

 

方法1:

import requests
from lxml import etree
import os
import time

start = time.time()


def mz_spider(base_url, headers_one):
    res = requests.get(url=base_url, headers=headers_one)           # 请求链接
    base_html = etree.html(res.text)                             # 解析html

    img_src = base_html.xpath('//div[@class="postlist"]/ul/li/a/@href')
    for img_url in img_src:
        # print(img_url)
        img_parse(img_url)


def img_parse(img_url):
    headers = {
        "user-agent": "mozilla/4.0 (compatible; msie 7.0; windows nt 6.1; wow64; trident/5.0; slcc2; .net clr 2.0.50727; .net clr 3.5.30729; .net clr 3.0.30729; media center pc 6.0; infopath.3; .net4.0c; .net4.0e; se 2.x metasr 1.0)",
        'referer': "https://www.mzitu.com/"
    }
    res_sec = requests.get(url=img_url, headers=headers)
    html_sec = etree.html(res_sec.text)

    try:
        # 由于会出现 list index out of range,所以用try进行,获取标题
        title = html_sec.xpath('//div[@class="content"]/h2/text()')[0]
        # print(title)
        # 获取图片总页数
        page_num = html_sec.xpath('//div[@class="pagenavi"]/a/span/text()')[-2]
        # print("这组图一共有:{} 页".format(page_num))
        # 拼接图片详情页地址
        for num in range(1, int(page_num) + 1):
            # 拼接每个图片url
            img_per_url = img_url + "/" + str(num)
            download_img(img_per_url, title)
    except exception as e:
        print(e)
    else:
        pass


# 下载图片
def download_img(img_per_url, title):
    res_per = requests.get(url=img_per_url, headers=headers_one)
    html_per = etree.html(res_per.text)

    # 提取每个图片的url
    img_down_url = html_per.xpath('//div[@class="main-image"]/p/a/img/@src')[0]

    # 解析图片url 把 html3 每个图片再解析拿到 content
    res_down = requests.get(img_down_url, headers=headers_one)
    # 把图片文件装入内容
    data = res_down.content
    # 下载文件,设置保存文件和路径
    # 获取文件所在的路径,注意的是路径是 d:/图片/mz
    path = os.path.dirname("d:\图片\mz\\0.py")
    img_name = img_down_url.split('/')[-1]
    # 设置文件夹名称
    folder_name = title.replace(' ', '')
    # 保存的地址是 c:\py_code\new_code\mz\"title"
    root_dir = path + "\\" + folder_name

    # 新建文档的文件夹
    if not os.path.exists(root_dir):
        os.makedirs(root_dir)

    # 设置保存文件的绝对地址
    with open(root_dir + "\\" + img_name, "wb") as f:
        f.write(data)
        # 强行把缓冲区中的内容放到磁盘中
        f.flush()
        f.close()
        print(img_name + "__文件下载成功: " + title)


if __name__ == "__main__":
    headers_one = {
        "user-agent": 'mozilla/4.0 (compatible; msie 7.0; windows nt 6.0; trident/4.0)',
        'referer': "https://www.mzitu.com/"
    }

    for i in range(1, 10):
        base_url = 'https://www.mzitu.com/page/{}/'.format(str(i))
        time.sleep(0.5)
        mz_spider(base_url, headers_one)

print("全部下载完成,耗时 %d s" % (start - time.time()))

  

方法2:

import requests
from lxml import etree
import time
import os

start = time.time()
headers_one = {
        "user-agent": 'mozilla/5.0 (windows; u; windows nt 5.2) applewebkit/525.13 (khtml, like gecko) chrome/0.2.149.27 safari/525.13',
        'referer': "https://www.mzitu.com/"
    }

headers_two = {
    "user-agent": 'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.36 (khtml, like gecko) chrome/39.0.2171.71 safari/537.36',
    'referer': "https://www.mzitu.com/"
}

headers_three = {
    "user-agent": 'mozilla/5.0 (x11; linux x86_64) applewebkit/537.11 (khtml, like gecko) chrome/23.0.1271.64 safari/537.11',
    'referer': "https://www.mzitu.com/"
}

# 构建所有要抓取的页面链接
for i in range(1, 3):
    base_url = 'https://www.mzitu.com/page/{}/'.format(str(i))
    print(" ———— 现在抓取第{}页   ".format(i) + base_url)

    base_response = requests.get(url=base_url, headers=headers_one)         # 请求链接
    print(base_response)
    base_html = etree.html(base_response.text)                              # 解析html

    # 第一层主页面,获取每组图片的链接和详细信息
    # 获取每组图片的主链接
    img_urls = base_html.xpath('//div[@class="postlist"]/ul/li/a/@href')

    for img_url in img_urls:
        print("抓取第{}页, 这组图片的 img_url: ".format(i) + img_url)
        # 第二层,每组图片的详细页面
        res_two = requests.get(url=img_url, headers=headers_two)
        html_sec = etree.html(res_two.text)

        try:
            # 由于会出现 list index out of range,所以用try进行
            # 获取标题
            title = html_sec.xpath('//div[@class="content"]/h2/text()')[0]
            # 获取图片总页数
            page_num = html_sec.xpath('//div[@class="pagenavi"]/a/span/text()')[-2]
            print("这组图一共有:{} 页".format(page_num))
            page = int(page_num) + 1

            # 拼接图片详情页地址
            for num in range(1, page):
                # 拼接每个图片url
                img_per_url = img_url + "/" + str(num)
                # print("组图中的第{}张图的url  ".format(num) + img_per_url)
                # 解析每个图片所在的网页,获取每个图片的url
                res_three = requests.get(url=img_per_url, headers=headers_three)
                html_url = etree.html(res_three.text)
                # 提取每个图片的url
                img_down_url = html_url.xpath('//div[@class="main-image"]/p/a/img/@src')[0]
                # print("图片下载的 img_down_url: " + img_down_url)

                # 第三层,解析图片url 把 html3 每个图片再解析拿到 content
                res_four = requests.get(img_down_url, headers=headers_three)
                # 把图片文件
                data = res_four.content

                # 下载文件,设置保存文件和路径
                # 获取文件所在的路径,注意的是路径是 c:/py_code/new_code/mz
                path = os.path.dirname("c:/py_code/new_code/mz/0.py")
                # 获取图片名称
                img_name = img_down_url.split('/')[-1]
                # 设置文件夹名称
                folder = title.replace(' ', '')
                # 保存的地址是 c:/py_code/new_code/mz/"title"
                root_dir = path + "/" + folder

                # 新建文档的文件夹
                if not os.path.exists(root_dir):
                    os.makedirs(root_dir)
                else:
                    # 如果存在就不做更改
                    pass
                # 设置保存文件的绝对地址
                with open(root_dir + "/" + img_name, "wb") as f:
                    f.write(data)
                    # 强行把缓冲区中的内容放到磁盘中
                    f.flush()
                    f.close()
                    print(img_name + "__文件下载成功: " + title)
                    time.sleep(0.5)

        except exception as e:
            print(e)
            continue
        else:
            pass

print("完了,程序耗时是:%f s" % (start-time.time()))