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

python爬取“堆糖网”小姐姐图片

程序员文章站 2023-08-23 12:45:33
在堆糖网官网首页上搜索关键字:小姐姐我们往下翻,发现它的图片内容是通过瀑布流来动态加载的。静态网页中会有24张图片,查看源代码,也仅仅发现只有24张图片。初步分析,其他图片应该是通过数据包的形式去动态请求的。打开开发者工具,选择 Network->XHR鼠标滚轮往下滑,捕获到一个数据包:果不其然,它里面包含了我们需要的数据:该数据包的请求地址,太长了:我们仅仅需要的是图片,所以有很多参数我们不需要。所以,我们删减去一部分,只剩下kw和start即可,kw是我们搜索的关键字,s...

在堆糖网官网首页上搜索关键字:小姐姐
python爬取“堆糖网”小姐姐图片
我们往下翻,发现它的图片内容是通过瀑布流来动态加载的。

静态网页中会有24张图片,查看源代码,也仅仅发现只有24张图片。

初步分析,其他图片应该是通过数据包的形式去动态请求的。

打开开发者工具,选择 Network->XHR

鼠标滚轮往下滑,捕获到一个数据包:
python爬取“堆糖网”小姐姐图片
果不其然,它里面包含了我们需要的数据:
python爬取“堆糖网”小姐姐图片
该数据包的请求地址,太长了:
python爬取“堆糖网”小姐姐图片
我们仅仅需要的是图片,所以有很多参数我们不需要。

所以,我们删减去一部分,只剩下kw和start即可,kw是我们搜索的关键字,start是数据包中所包含数据的起始序号(它是24的倍数)

第一个数据包,是刚开始就加载的,它的start应该是0,第二个数据包的start是24,所以每个数据包包含了24张图片。

我们滑到最下方,点击第二页,再进行数据包的抓取:
python爬取“堆糖网”小姐姐图片
可以看到,它的start是168

可想而知,不管页数怎么变化,我只要更改start参数的值,岂不是可以获取到该关键字(小姐姐)下搜索的全部图片。

那么,每一页究竟有多少个数据包,对应多少张图片呢?(如果我们有分页爬取的需求,就得知道这个)

很简单,回到第一页,再次打开开发者选项,鼠标滚轮滑到该页末尾,发现共获取到5个数据包:
python爬取“堆糖网”小姐姐图片
我们大胆猜测一页共有6个数据包(其中一个是相当于静态加载的)。

那么一页就有6*24 共144张图片。

再看最后一个数据包的start ,它等于120
python爬取“堆糖网”小姐姐图片
120+24 = 144 刚好印证了我们的猜想。


输入爬取几页,就爬取几页,按需爬取。

代码:

import os
import requests
import json
import jsonpath
from urllib.parse import quote
from urllib.request import urlretrieve

# 所请求的url :https://www.duitang.com/napi/blog/list/by_search/?kw=%E5%B0%8F%E5%A7%90%E5%A7%90&start=24
headers = {'User-Agent': 'Mozilla/5.0(WindowsNT6.1;rv:2.0.1)Gecko/20100101Firefox/4.0.1'}
keyword = '小姐姐' #可自行指定
kw = quote(keyword)
page_num = input('您一共要爬取几页图片?(每页144张图片):')
page_num = int(page_num)

def get_img_data(kw,start):
    savePath = './图片/{}/'.format(keyword)
    if not os.path.exists(savePath):
        os.mkdir(savePath)
    url = 'https://www.duitang.com/napi/blog/list/by_search/?kw={}&start={}'.format(kw,start)
    resp = requests.get(url,headers=headers)
    # 将json数据转化为字典格式
    data_dict = json.loads(resp.text)
    # 从字典中快速得到我们想要的信息($代表根结点下  ..代表任意层次)
    img_pathList = jsonpath.jsonpath(data_dict,'$..path')
    # 通过for循环进行下载
    num = start+1
    for path in img_pathList:
        # 有的图片的jpeg,有的图片是jpg
        img_type = os.path.splitext(path)[-1]#.jpeg   .jpg
        # 有的图片是gif,但是识别到的却是 gif_jpeg,这种图片下载下载就不是动图了,而是10kb左右的低品质图
        if(img_type.find('gif_jpeg')!=-1):
            # 经过细心观察,发现它貌似所有的gif图片的真实路径后面都是thumb.400_0.gif为结尾
            path = path.replace('gif_jpeg','thumb.400_0.gif')
            img_type = '.gif'
        try:
            saveLocation = f'{savePath}{keyword}{num}{img_type}'
            urlretrieve(path,saveLocation)
            print('{}{}{} 下载成功...'.format(keyword,num,img_type) )
            num+=1
        except Exception as e:
            print(e)

def page_download(pageNum):
    offset = 24 #一个数据包24张图片
    onePage = 144 #每页有6个数据包
    for i in range(0,onePage*page_num,offset):
        get_img_data(kw,i)

page_download(page_num)

python爬取“堆糖网”小姐姐图片
看到这里了,点个赞再走呗