Python爬取校花网

程序员文章站 2022-07-14 10:56:55

...

一、概况

爬个校花,妈妈再也不用担心我的学习了。

二、准备

在爬之前，我们要确定我们爬取的网站以及要爬取的哪些信息。

目标网站：校花网(http://www.xiaohuar.com/list-1-1.html)
获取信息：
- 校花的名字
- 校花的照片
- 校花的详细资料

确定好要爬的东西，就开始分析网站，其实我特别想获取联系方式，可是实力不允许呀。没有~

三、首页分析

URL地址变化分析
- 第一页：http://www.xiaohuar.com/list-1-0.html
- 第二页：http://www.xiaohuar.com/list-1-1.html
- 第五页：http://www.xiaohuar.com/list-1-4.html

不解释了，每页的地址应该能看的清清楚楚，明明白白。

提取信息分析
我们确定了每张图片都是一个独立的div标签，那么我首要任务就是把每页的div标签全部在爬下来

image

我们随便点一个div，看看里面的标签，从每个div里面我们可以取出下面这些信息。那么详细信息我们去哪取，对，校花的详细信息在详情链接，我们要把详情链接取出来，在去里面看看有什么？

image

打开详细链接，我们可以看到如下信息，是我们想要的，有些信息确实没有，那也没办法了。

image

先分析到这，详情页的信息，我们先不管在哪个标签下，先把我们目前想要的这些信息获取出来在说。

四、首页提取

我们用xpath插件先简单定位一下,xpath有个特别好用的功能，就是模糊定位，我们发现想要的div标签class属性都包含一个一样的样式名字。

注意：一定确保只是你想要的内容包括的样式。如果下面这个包含的是item属性，就会取出126个，这肯定是不对的。功能虽好，但是一定要慎重使用。

image

我们已经把最重要的信息详情地址爬取下来了，剩下的就是代码实现，代码跟上一篇的斗图啦项目的逻辑差不多。

import requests
from lxml import etree
import os

class XHSpider():

    def __init__(self):
        # 默认第一页开始
        self.pn = 0
        # 默认URL
        self.url = 'http://www.xiaohuar.com/list-1-{0}.html'

        # 添加请求头,模拟浏览器
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
        }

    # 发起请求
    def loadpage(self):
        # 拼接请求地址
        req_url = self.url.format(self.pn)  # http://www.xiaohuar.com/list-1-0.html

        print(req_url)

        # 发起请求
        reponse = requests.get(url=req_url, headers=self.headers)

        # 取返回的内容
        content = reponse.text

        '''
        注意：如果发现用xpath插件在浏览器上能取到标签，但是在代码里面取不到
        最好把请求下来的源代码保存到代码，分析一下为什么取不到，有时候
        浏览器里面的源代码跟你在代码里面请求的源码可能稍微不一样。
        '''
        with open('xiaohua.html','w') as f:
            f.write(content)

        # 构造xpath解析对象
        html = etree.HTML(content)

        # 先取出这个页面所有div标签
        div_list = html.xpath('//div[contains(@class,"masonry_brick")]')

        for div in div_list:
            # 从从每个div标签取出详情页链接 .代表当前位置
            desc_url = div.xpath('.//div[@class="img"]//a/@href')[0]

            # 标题
            img_title = div.xpath('.//div[@class="img"]//img/@alt')[0]

            # 封面图片地址
            img_url= div.xpath('.//div[@class="img"]//img/@src')[0]

            print(desc_url)

if __name__ == "__main__":
    xhs = XHSpider()
    xhs.loadpage()

#打印
http://www.xiaohuar.com/p-1-1997.html
http://www.xiaohuar.com/p-1-1995.html
http://www.xiaohuar.com/p-1-1994.html
http://www.xiaohuar.com/p-1-1993.html
http://www.xiaohuar.com/p-1-1991.html
http://www.xiaohuar.com/p-1-1986.html
......

上面有大家两个注意的地方

网站的编码格式
可以通过查看源码看到网站编码格式，可以看到这个网站并不是UTF-8的编码格式，我们可以直接用reponse.text让它自己东西编码解析。

image
代码里面请求网站源代码是否和浏览器的源代码是否一致
如果没出现取不到的情况，可以忽略这个问题。如果出现了，可以考虑一下是否是这出现的影响，在代码里面有注释。

五、详情页分析

资料
随便点开一个详情页地址，先取出资料信息，取前7个tr标签，最后一个标签不取。暂时看了几个网页，好像都是这几个，后面如果遇到问题，在做容错处理。

image
详细资料
详细资料比较好取，但是有需要注意的地方，有的校花没有详细资料。所以得做判空处理，有的详细资料标签不一样，所有咱们取父级div里面所有的文本就行。
特别提醒我这里面使用的//代表父标签任意的地方的文本。

image

看起来直接取父亲标签下所有的内容应该是没问题。

image

相册
我们相册都是小图，这不能是我们忍受的，我们要高清大图，但是要高清图片还要进入她的空间取获取。所以在相册这，我们只要获取到校花的空间地址就可以了。

image

这详情页基本上我们就需要取这些字段，去用代码一点一点爬下来。

import requests
from lxml import etree
import os

class XHSpider():

    def __init__(self):
        # 默认第一页开始
        self.pn = 0
        # 默认URL
        self.url = 'http://www.xiaohuar.com/list-1-{0}.html'

        # 添加请求头,模拟浏览器
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
        }

    # 发起请求
    def loadpage(self):
        # 拼接请求地址
        req_url = self.url.format(self.pn)  # http://www.xiaohuar.com/list-1-0.html

        print(req_url)

        # 发起请求
        reponse = requests.get(url=req_url, headers=self.headers)

        # 取返回的内容
        content = reponse.text

        '''
        注意：如果发现用xpath插件在浏览器上能取到标签，但是在代码里面取不到
        最好把请求下来的源代码保存到代码，分析一下为什么取不到，有时候
        浏览器里面的源代码跟你在代码里面请求的源码可能稍微不一样。
        '''
        with open('xiaohua.html', 'w') as f:
            f.write(content)

        # 构造xpath解析对象
        html = etree.HTML(content)

        # 先取出这个页面所有div标签
        div_list = html.xpath('//div[contains(@class,"masonry_brick")]')

        for div in div_list:
            # 从从每个div标签取出详情页链接 .代表当前位置
            desc_url = div.xpath('.//div[@class="img"]//a/@href')[0]

            # 标题
            img_title = div.xpath('.//div[@class="img"]//img/@alt')[0]

            # 封面图片地址
            img_url = div.xpath('.//div[@class="img"]//img/@src')[0]

            print(desc_url)

            self.loaddescpage(desc_url)

    #详情页
    def loaddescpage(self, desc_url):
        # 发起请求
        reponse = requests.get(url=desc_url, headers=self.headers)

        # 取返回的内容
        content = reponse.text

        # 构造xpath解析对象
        html = etree.HTML(content)

        # 取出资料的前6个，她的空间这个栏目不要
        tr_list = html.xpath('//div[@class="infodiv"]//tbody/tr[position()<6]')

        info = ""
        for tr in tr_list:
            info += " ".join(tr.xpath('./td/text()'))  # 把每个取出来的列表拼接成字符串
            info += "\n"

        # 取出详细资料。注意的有点资料会有空的，做判空处理
        content = html.xpath('//div[@class="infocontent"]//text()')

        if content:  # 假如不为空
            content = "".join(content)  # 把详细资料拼接成字符串

        # 校花空间地址
        more = html.xpath('//span[@class="archive_more"]/a/@href')[0]
        print(info)
        print(content)
        print(more)

if __name__ == "__main__":
    xhs = XHSpider()
    xhs.loadpage()

#打印
姓 名： 李玮
年 龄：
星 座：
专 业：
学 校： 河北司法警官职业学院

   你不知道，当你半夜躲过督察偷偷在宿舍玩手机的怎样的兴奋快感；你不知道，当你只没有学校的命令，天冷了不能穿高领，只能穿作训，天热了不能脱是什么感觉； 你不知道校规，每天把牙膏盒吹胀是什么感觉； 你不知道，为了学校严格规定，每天不吃饭也要压去了，三、四年就这样结束了……可正因为这样，我疯狂的爱上了它，不知疲倦！
http://www.xiaohuar.com/s-1-2029.html

六、高清大图

这个页面我们最重要的就是把高清大图的链接找到，链接加上域名就是完整的大图地址。

image

在爬的过程中，我们发现有的图片是以Http开头，有的不是，并且的有是错误的图片地址，所有我们需要做容错处理。

import requests
from lxml import etree
import os

class XHSpider():

    def __init__(self):
        # 默认第一页开始
        self.pn = 0
        # 默认URL
        self.url = 'http://www.xiaohuar.com/list-1-{0}.html'

        # 添加请求头,模拟浏览器
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
        }

    # 发起请求
    def loadpage(self):
        # 拼接请求地址
        req_url = self.url.format(self.pn)  # http://www.xiaohuar.com/list-1-0.html

        print(req_url)

        # 发起请求
        reponse = requests.get(url=req_url, headers=self.headers)

        # 取返回的内容
        content = reponse.text

        '''
        注意：如果发现用xpath插件在浏览器上能取到标签，但是在代码里面取不到
        最好把请求下来的源代码保存到代码，分析一下为什么取不到，有时候
        浏览器里面的源代码跟你在代码里面请求的源码可能稍微不一样。
        '''
        with open('xiaohua.html', 'w') as f:
            f.write(content)

        # 构造xpath解析对象
        html = etree.HTML(content)

        # 先取出这个页面所有div标签
        div_list = html.xpath('//div[contains(@class,"masonry_brick")]')

        for div in div_list:
            # 从从每个div标签取出详情页链接 .代表当前位置
            desc_url = div.xpath('.//div[@class="img"]//a/@href')[0]

            # 标题
            img_title = div.xpath('.//div[@class="img"]//img/@alt')[0]

            # 封面图片地址
            img_url = div.xpath('.//div[@class="img"]//img/@src')[0]

            print(desc_url)

            self.loaddescpage(desc_url)

    # 详情页
    def loaddescpage(self, desc_url):
        # 发起请求
        reponse = requests.get(url=desc_url, headers=self.headers)

        # 取返回的内容
        content = reponse.text

        # 构造xpath解析对象
        html = etree.HTML(content)

        # 取出资料的前6个，她的空间这个栏目不要
        tr_list = html.xpath('//div[@class="infodiv"]//tbody/tr[position()<6]')

        info = ""
        for tr in tr_list:
            info += " ".join(tr.xpath('./td/text()'))  # 把每个取出来的列表拼接成字符串
            info += "\n"

        # 取出详细资料。注意的有点资料会有空的，做判空处理
        content = html.xpath('//div[@class="infocontent"]//text()')

        if content:  # 假如不为空
            content = "".join(content)  # 把详细资料拼接成字符串

        # 校花空间地址
        more = html.xpath('//span[@class="archive_more"]/a/@href')[0]
        print(info)
        print(content)
        print(more)
        self.loadzone(more)

    # 校花空间提取
    def loadzone(self, more):
        # 发起请求
        reponse = requests.get(url=more, headers=self.headers)

        # 取返回的内容
        content = reponse.text

        # 构造xpath解析对象
        html = etree.HTML(content)

        #取图片的地址列表
        big_imgs = html.xpath('//div[@class="inner"]//a/@href')

        #做图片地址容错处理
        for big_img in big_imgs:
            if big_img.startswith('http') or big_img.endswith('.jpg'):
                if big_img.startswith('http'):
                    self.download(big_img)
                else:
                    self.download("http://www.xiaohuar.com" + big_img)

    # 图片下载
    def download(self, big_img):
        print('正在下载', big_img)
        # 发起请求
        reponse = requests.get(url=big_img, headers=self.headers)

        #读取二进制内容
        content = reponse.content

        #保存到本地
        with open(big_img[-20::],'wb') as f:
            f.write(content)

if __name__ == "__main__":
    xhs = XHSpider()
    xhs.loadpage()

先暂时下载一些，为了九牛二虎之力，终于可以看到点比较喜欢的校花了。先来预览一张高清大图吧

image

还不错。但是我们需要重新整理一下代码，我们根据校花的名字创建文件夹，然后把校花的资料、详细信息、空间相册的图片全下载进去。方便我们以后管理。又到我们考虑问题的时候了

文件夹的命名
我们在首页提取的标题字段可以做文件夹的名字
图片的名字
图片的名字可以拿图片地址后多少位进行命名
个人信息命名
个人信息的名字也可以拿首页的标题

那么开始实现吧，在每个函数实现创建文件夹的操作。还是实现多页下载。

全部代码：

import requests
from lxml import etree
import os

class XHSpider():

    def __init__(self):
        # 默认第一页开始
        self.pn = 0
        # 默认URL
        self.url = 'http://www.xiaohuar.com/list-1-{0}.html'

        # 目录
        self.dir = '校花/'

        #刚开始就创建一个目录
        if not os.path.exists(self.dir):  # 如果文件夹不存在
            os.mkdir(self.dir)  # 创建文件夹

        # 添加请求头,模拟浏览器
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
        }

    # 发起请求
    def loadpage(self):
        # 拼接请求地址
        req_url = self.url.format(self.pn)  # http://www.xiaohuar.com/list-1-0.html

        print(req_url)

        # 发起请求
        reponse = requests.get(url=req_url, headers=self.headers)

        # 取返回的内容
        content = reponse.text

        '''
        注意：如果发现用xpath插件在浏览器上能取到标签，但是在代码里面取不到
        最好把请求下来的源代码保存到代码，分析一下为什么取不到，有时候
        浏览器里面的源代码跟你在代码里面请求的源码可能稍微不一样。
        '''
        with open('xiaohua.html', 'w') as f:
            f.write(content)

        # 构造xpath解析对象
        html = etree.HTML(content)

        # 先取出这个页面所有div标签
        div_list = html.xpath('//div[contains(@class,"masonry_brick")]')

        for div in div_list:
            # 从从每个div标签取出详情页链接 .代表当前位置
            desc_url = div.xpath('.//div[@class="img"]//a/@href')[0]

            # 标题
            img_title = div.xpath('.//div[@class="img"]//img/@alt')[0]

            # 封面图片地址、这个地址好像没用。发现相册里面有这种图片
            img_url = div.xpath('.//div[@class="img"]//img/@src')[0]

            print(desc_url)

            #创建每个校花的文件夹
            folder = self.dir + img_title
            if not os.path.exists(folder):  # 如果文件夹不存在
                os.mkdir(folder)  # 创建文件夹

            #开始请求详情页，把标题传过去，后面有用
            self.loaddescpage(desc_url, img_title)

    # 详情页
    def loaddescpage(self, desc_url, img_title):
        # 发起请求
        reponse = requests.get(url=desc_url, headers=self.headers)

        # 取返回的内容
        content = reponse.text

        # 构造xpath解析对象
        html = etree.HTML(content)

        # 取出资料的前6个，她的空间这个栏目不要
        tr_list = html.xpath('//div[@class="infodiv"]//tbody/tr[position()<6]')

        info = ""
        for tr in tr_list:
            info += " ".join(tr.xpath('./td/text()'))  # 把每个取出来的列表拼接成字符串
            info += "\n"

        # 取出详细资料。注意的有点资料会有空的，做判空处理
        content = html.xpath('//div[@class="infocontent"]//text()')

        if content:  # 假如不为空
            content = "".join(content)  # 把详细资料拼接成字符串

        # 校花空间地址
        more = html.xpath('//span[@class="archive_more"]/a/@href')[0]
        print(info)
        print(content)
        print(more)

        # 个人信息
        info_dir = self.dir + img_title + "/" + img_title + "个人信息.txt"
        with open(info_dir, 'w') as f:
            f.write(info)
            f.write(content)

        #开始请求校花空间
        self.loadzone(more, img_title)

    # 校花空间提取
    def loadzone(self, more, img_title):
        # 发起请求
        reponse = requests.get(url=more, headers=self.headers)

        # 取返回的内容
        content = reponse.text

        # 构造xpath解析对象
        html = etree.HTML(content)
        # 取图片的地址列表
        big_imgs = html.xpath('//div[@class="inner"]//a/@href')

        # 做图片地址容错处理
        for big_img in big_imgs:
            if big_img.startswith('http') or big_img.endswith('.jpg'):
                if big_img.startswith('http'):
                    self.download(big_img, img_title)
                else:
                    self.download("http://www.xiaohuar.com" + big_img, img_title)

    # 图片下载
    def download(self, big_img, img_title):
        print('正在下载', big_img)
        # 发起请求
        reponse = requests.get(url=big_img, headers=self.headers)

        # 读取二进制内容
        content = reponse.content

        #图片地址
        img_dir = self.dir + img_title + "/" + big_img[-20::]

        # 保存到本地
        with open(img_dir, 'wb') as f:
            f.write(content)

if __name__ == "__main__":
    xhs = XHSpider()
    #这正确的逻辑应该自动提取下一页，然后自动加载，不过数据量不大。可以简单通过循环提取。
    for i in range(0, 44):
        print('爬取第%d页' % i)
        xhs.pn = i  # 把每页赋值给pn
        xhs.loadpage()

最终我们在本地看到有如下的文件夹：

image

我只爬取了第一页，大家有兴趣的可以多爬取几页。还有一个问题，大家可以自己处理，就是把代码简单的封装一下，比如发起网络请求可以单独封装一个方法。

七、总结

我们又通过一个例子，对爬虫有了一定的理解，在爬取的过程还是会遇到很多问题的，有些问题我们可能前期就能想到，而有的问题可能在运行代码的时候才会发现。不过既然是问题，就有解决办法。所有在打算爬取一个网站的时候，还要简单分析：

我们要提取哪些信息
网页地址的URL变化
信息应该在哪个页面提取，有的页面信息重复
多爬取一些信息，每个网页的结构可能不一样
请求的网站源代码跟浏览器里面的源代码是否有区别(以请求下来的源码为准)

好了，反正不管如何，我们把校花图片爬下来了。

上一篇： Plotly数据可视化: 入门到精通(Python版)

下一篇：爬取实习僧网站并存储到MongoDB

Python爬取校花网

一、概况

二、准备

三、首页分析

四、首页提取

五、详情页分析

六、高清大图

全部代码：

七、总结

通过抓取淘宝评论为例讲解Python爬取ajax动态生成的数据(经典)

python爬取网页内容转换为PDF文件

Python使用Selenium爬取淘宝异步加载的数据方法

网易云歌单信息爬取及数据分析（python爬虫）

python爬取个性签名的方法

scrapy 爬取纵横网实战

python如何爬取个性签名

Python实现爬取马云的微博功能示例

Python爬取Coursera课程资源的详细过程

Python实现爬取知乎神回复简单爬虫代码分享