Python新手爬虫二：爬取搜狗图片（动态）

 

经过上一期爬取豆瓣影评成功后，感觉爬虫还不错，于是想爬点图片来玩玩...

搜狗图片地址：

 

先上最后成功的源码：

import requests
import urllib
import json
from fake_useragent import useragent

def getsougouimag(category,length,path):
    n = length
    cate = category
    imgs_url = []   #定义空列表，用于保存图片url
    m = 0   #用于显示图片数量
    url = 'https://pic.sogou.com/pics/channel/getallrecompicbytag.jsp?category='+cate+'&tag=%e5%85%a8%e9%83%a8&start=0&len='+str(n)
    headers = {'user-agent':useragent().random}     #设置ua
    f = requests.get(url,headers=headers)      #发送get请求
    print(f.status_code)
    js = json.loads(f.text)
    js = js['all_items']
    for j in js:
        imgs_url.append(j['thumburl'])
    for img_url in imgs_url:
        print('***** '+str(m)+'.jpg *****'+' downloading...')
        urllib.request.urlretrieve(img_url,path+str(m)+'.jpg')    #下载指定url到本地
        m += 1
    print('download complete!')

getsougouimag('壁纸',500,r'd:\sougouimg/')

效果图：

 

下面开始介绍作为一个新手的爬虫步骤...

1、首先打开网页查看html源码

先按f12打开调试界面—>右击图片—>点击检查

会出现如下图红框中的信息，不难看出，此图片的url就是img标签中src属性的值。

 

如此简单？那直接获取src属性的值，再进行下载不就完全ok了？

话不多说，开干。

from bs4 import beautifulsoup
import requests
from fake_useragent import useragent   #ua库

url = 'https://pic.sogou.com/pics/recommend?category=%b1%da%d6%bd&from=home#%e5%85%a8%e9%83%a8%269'
headers = {'user-agent':useragent().random}     #设置ua
f = requests.get(url,headers=headers)      #发送get请求
print(f.status_code)    #打印状态码
soup = beautifulsoup(f.text,'lxml')     #用lxml解析器解析该网页的内容
print(soup.select('img'))   #筛选出所有img的标签，并打印其属性和内容

代码执行结果如下：

发现打印出的html并不是与网页中的一致，所有考虑，这根本不是图片的源url，于是推测图片是动态的，继续查找... 也是百度到了某个大佬的文章，才挖掘出以下搜寻方法。

 

2、点击network—>点击xhr—>然后往下滚轮，使它加载出新的图片—>点击新加载出来的图片—>再点击右侧的preview

 发现preview下的内容为json格式的

发现all_items，点击它发现有0.....众多数字，再点开发现有许多url，粘贴到浏览器中查看，发现这些都是图片的url(心中狂喜)

找到图片的真实url，问题也就变得简单了。详情还是请看代码注释吧~